SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funktion. Producenten dokumenterer udtryksfulde indbyggede talere, indlejrede stemmemarkører og outputformater til medieafspilning eller telefonlyd. Inputtet er det manuskript, der skal læses op, sammen med valg af stemme og sprog. Den resulterende optagelse er tale fra dette manuskript; talegenkendelse og samtalebaserede tale-til-tale-modeller har særskilte opgaver.

Stemme, sprog og talt tekst

Producentkataloget giver hver stemme en fremførelsesprofil. Ara er varm og venlig, Eve er livlig med britisk accent, og Rex beskrives som klar og selvsikker. Stemme og sprog er uafhængige i den dokumenterede familie: indbyggede talere kan bruge hvert af de understøttede sprogvalg. Vejledningen angiver tyve sprogkodevalg, herunder regionale varianter, og understøtter også automatisk sproggenkendelse. Ud over indbyggede talere dokumenterer producenten genanvendelige brugerdefinerede stemmer, der oprettes fra en referenceoptagelse og vælges med voice_id til komplet eller streamet syntese. Referencelyden kan være op til 120 sekunder; 90–120 sekunders ren tale med én taler anbefales til at indfange fremførelse og intonation. Behold referencen, den oprettede stemmeprofil og den genererede optagelse som særskilte artefakter, og tilpas referencepræstationen til det tilsigtede manuskript.

Forbered den færdige talte ordlyd, og bevar det tilsigtede sprog i navne og citerede passager. En nyttig replik til en fortalt vejledning er: »Vælg et emne, lyt til den korte introduktion, og åbn det afsnit, du vil udforske.« Hvis et brandnavn eller fagudtryk kræver en bestemt læsning, kan producentens erstatningskontroller levere en alternativ stavning eller IPA-udtale uden at ændre den viste kildetekst. En særskilt mulighed for tekstnormalisering omdanner skrevne tal, forkortelser og symboler mod deres talte form.

Fremførelsesmarkører

Indlejrede tags placerer en hændelse på et bestemt sted, for eksempel en pause, latter, et suk eller et åndedrag. Omsluttende tags anvender en fremførelse på en hel frase, for eksempel hvisken, betoning eller en langsommere passage. Placer markøren, hvor betydningen kræver det, og behold ordene læsbare. Vejledningen anbefaler stilmarkeringer omkring hele fraser og tegnsætning frem for en stak uvedkommende tags.

Til en udtryksfuld figurreplik skal den talte sætning og fremførelsesskiftet forberedes sammen. I en forklaring skal du bevare en tydelig rytme, der hjælper lytteren med at følge trinnene. Det dokumenterede interval for talehastighed er 0.7 til 1.5 med 1.0 som normal fremførelse. Et hastighedsvalg ændrer taletempoet; det ændrer ikke de ord, applikationen skal kommunikere.

Lyd og tidsangivelser

Producenten dokumenterer output som MP3, WAV, rå PCM, mu-law og A-law. De understøttede samplerater spænder fra 8 kHz til 48 kHz med bestemte angivne rater mellem disse værdier. Standardkonfigurationen for MP3 er 24 kHz ved 128 kbit/s. Brug en lydrepræsentation, som den tilsigtede afspiller, redigeringsfase eller telefonivej kan fortolke.

Valgfrie tegntider forbinder den returnerede tegnsekvens med start- og sluttider. Uden udtaleerstatninger afspejler sekvensen inputtet; erstatninger kan ændre den til den talte tekst. De kan understøtte en medlæsningsvisning, fremhævning eller synkronisering med en visuel fremførelse. I arbejdsgangen med komplet svar ændrer en anmodning om tidsangivelser outputtet til en indpakning med kodet lyd og tidsdata. Behandl tidsangivelser og lyd som et samlet resultat, især når tekstnormalisering udvider et skrevet symbol til flere talte ord.

Komplet eller streamet generering

Producenten tilbyder en vej med komplet anmodning og tovejs-streaming, hvor tekstfragmenter ankommer, og lydbidder returneres, mens ytringen genereres. Den dokumenterer en grænse på 60.000 tegn for en komplet anmodning og for et enkelt streamet tekstfragment. At afslutte eller rydde en ytring har en eksplicit rolle i streamingarbejdsgangen.

Til længere fortælling skal du vælge sammenhængende passagegrænser og gemme manuskriptet med hvert resultat. Til interaktiv afspilning skal du skelne mellem tekst sendt til syntese og lyd, som lytteren allerede har hørt. Den nyttige leverance er et indtalt manuskript med bevidste fremførelsesmarkører, et passende lydformat og tidsdata, når applikationen har brug for dem. Gem manuskript, valgt stemme, fremførelsesmarkører og outputindstillinger sammen med lyden, så senere revisioner bevarer den tilsigtede fremførelse.