Deepgram: Aura-2

Aura-2 er Deepgrams tekst-til-tale-familie med stemmer på syv sprog: engelsk, spansk, tysk, fransk, nederlandsk, italiensk og japansk. Den omdanner den leverede tekst til tale til kundeservicesvar, telefonmenuer, forklaringer og oplæsning. Producenten beskriver tempo, udtryksfuldhed og samtalefyldord som reaktioner på ordlyden og konteksten i den leverede tekst.

Tilpas stemmen til sprog og opgave

Hver stemme identificeres ved familie, taler og sprog. Kataloget skelner mellem accenter og fremførelsesegenskaber frem for at behandle alle talere som udskiftelige. Thalia er et energisk amerikansk-engelsk valg; Draco er en britisk stemme forbundet med historiefortælling; Celeste er en colombiansk-spansk stemme forbundet med samtaler og meddelelser. Vælg stemmen med det faktiske manuskript og lytteren i tankerne.

Udvalgte spanske stemmer understøtter sprogskift mellem engelsk og spansk: Aquila, Carina, Diana, Javier og Selena. Denne funktion hører til de navngivne talere, ikke alle stemmer i familien. Til en passage med blandede sprog bevares det tilsigtede sprog i produktnavne og citerede formuleringer, og overgangen lyttes igennem med en taler, hvis dokumenterede profil understøtter opgaven.

Forbered tekst til tale

Formateringsvejledningen til Aura-2 anbefaler tegnsætning ved sætningsslutning, spørgsmålstegn til spørgsmål, kommaer til naturlige pauser og korte, selvstændige formuleringer. Angiv den endelige talte tekst, ikke en instruktion, der beder syntesemodellen om at skrive meddelelsen. Et nyttigt orienteringsmanuskript er: “Velkommen. Vælg et sprog, og vælg derefter det emne, du har brug for. Du kan til enhver tid gentage instruktionerne.” Tegnsætningen adskiller lytterens handlinger og giver modellen en tydeligere rytme.

Stav en identifikator som separate bogstaver, når den skal læses tegn for tegn. Forklar akronymer, og undgå én lang sammenkædet sætning, når flere betingelser skal forklares. Producenten anbefaler også at sætte kommandoord i anførselstegn og læse en passage højt før syntese. Til indtaling af undervisnings- eller produktmateriale bevares vigtige termer, mens skriftlige overskrifter og tætte lister omformes til fuldstændige talte formuleringer.

Tempo og udtale

Producenten dokumenterer hastigheds- og IPA-udtaleindstillinger til engelsk og spansk. Talehastighedsintervallet i Aura-2 er 0.7 til 1.5; til spansk anbefales 0.9 til 1.5, fordi langsommere indstillinger kan gøre talen mindre flydende. Udtale og hastighed kan kombineres i denne familie. IPA-overstyringer kan målrettes et særligt fagnavn eller en term, og konventionen i Aura-2 placerer trykmarkøren direkte før vokalen.

Specifikationen for udtalestyring tillader op til fem hundrede overstyringer med højst 128 tegn i hver IPA-streng og dokumenterer en grænse på 2.000 tegn i inputteksten til dette forløb. Aura-2 understøtter ikke den eksplicitte pausefunktion, der er dokumenteret til Flux TTS. Brug sætningsstruktur og tegnsætning til at forberede rytmen, og opdel længere materiale i sammenhængende passager, når det valgte arbejdsforløb kræver det.

Levering og brug af lyd

Producenten tilbyder syntese af en fuld forespørgsel og streamingforløb fra tekst til lyd. Medievejledningen skelner mellem rå streaming-PCM, mu-law og A-law og filorienterede outputmuligheder som WAV, MP3, Opus, FLAC og AAC. Den dokumenterede PCM/WAV-standard til Aura-forespørgselsforløbet er 24 kHz. Filcontainere, samplefrekvenser og kodninger danner gyldige kombinationer; en telefoniforbindelse og en fortællefil til download kan kræve forskellige valg.

Aura-2 er fortsat en separat familie fra førstegenerations-Aura og fra Flux TTS. Tilstand på tværs af taleture, tilbagemelding om afbrydelser og pauseindstillinger kun til batch i Flux er ikke egenskaber, der kan udledes af et Aura-2-stemmenavn. Det nyttige output er en talt version af det faktiske manuskript på et passende sprog, med en passende accent og lydrepræsentation. Gennemgå navne, sprogskift, tegnsætningsstyret tempo og vigtige instruktioner med den tilsigtede lytter, før optagelsen genbruges.