Canopy Labs: Orpheus 3B

Orpheus 3B 0.1 Fine-Tuned ist Canopy Labs’ englisches Text-to-Speech-Modell für alltägliche Synthese. Es gehört zur Orpheus-Familie auf einer Llama-3B-Grundarchitektur und konzentriert sich auf natürliche Intonation, Rhythmus und ausdrucksstarken Vortrag. Die Eingabe ist der zu sprechende Text mit einem gewählten Sprecher; die Ausgabe ist Sprachaudio. Der Hersteller nennt für dieses konkrete feinabgestimmte Modell außerdem Zero-Shot-Stimmklonen. Sein veröffentlichtes Synthesebeispiel für das feinabgestimmte Modell verwendet voreingestellte Sprecher, während Text-Sprach-Prompting mit Referenzkonditionierung separat für die vortrainierte Ausgabe dokumentiert ist. Diese feinabgestimmte Ausgabe unterscheidet sich vom vortrainierten Modell und den separat veröffentlichten mehrsprachigen Forschungsmodellen.

Einen Sprecher wählen und die Zeile vorbereiten

Der Hersteller nennt acht voreingestellte englische Stimmen: tara, leah, jess, leo, dan, mia, zac und zoe. Seine Prompt-Konvention setzt den Sprechernamen vor den gesprochenen Text, getrennt durch einen Doppelpunkt. Der Referenzworkflow zur Sprachgenerierung kann diese Formatierung ergänzen, wenn die Stimme separat angegeben wird. Wählen Sie einen Sprecher für das beabsichtigte Stück und halten Sie diese Wahl in zusammenhängenden Passagen einheitlich.

Schreiben Sie für eine kurze Erklärung den endgültigen Erzähltext statt einer Anweisung, das Modell solle die Erklärung erfinden. Eine nützliche gesprochene Zeile lautet: „Wählen Sie den Ordner, den Sie teilen möchten, prüfen Sie, wer ihn öffnen kann, und speichern Sie die Änderungen.“ Bereiten Sie bei Dialogen die Zeile jedes Sprechers ausdrücklich vor und bewahren Sie die den Vortrag unterstützende Zeichensetzung. Schreiben Sie eine Abkürzung, ein Datum oder einen Produktnamen in der Form, die Hörer hören sollen, besonders wenn die geschriebene Kurzform mehrdeutig wäre.

Ausdrucks- und nonverbale Hinweise

Orpheus dokumentiert die Tags <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> und <gasp>. Sie geben dem Text an der relevanten Stelle ein ausdrückliches nonverbales Ereignis. Eine kurze Gesprächspassage kann ein Kichern vor einer leichten Bemerkung oder ein Seufzen vor einem nachdenklichen Satz platzieren. Setzen Sie den Hinweis an die passende Stelle der Darbietung und halten Sie die tatsächlichen Wörter der Zeile klar.

Dies sind Hinweise zur Sprachgenerierung, keine allgemeine Anweisungssprache zur Bearbeitung einer vorhandenen Aufnahme. Beginnen Sie für ein Voiceover mit lesbarem Text und ergänzen Sie nur die von der Szene benötigten Ausdrucksereignisse. Hören Sie die vollständige Zeile an, um zu beurteilen, ob Ereignis, Betonung und Tempo die Bedeutung unterstützen. Eine Erzählaufgabe kann eine gleichmäßige Stimme erfordern, während eine Figurenzeile von einem konkreten nonverbalen Hinweis profitieren kann.

Streaming und Audioergebnis

Der Hersteller liefert sowohl ein Notebook ohne Streaming als auch ein Streaming-Sprachbeispiel. Streaming gibt aufeinanderfolgende Audioabschnitte zurück, während die Passage erzeugt wird. Im veröffentlichten Beispiel werden diese Abschnitte in eine Mono-WAV-Datei mit 24.000 Hz und 16-Bit-Samples geschrieben. Diese Dateieinstellungen beschreiben den Referenzworkflow; das nützliche Ergebnis ist eine abspielbare Aufnahme, deren Wörter, Sprecher und Vortrag anhand des Skripts geprüft werden können.

Bereiten Sie für längere Erzähltexte zusammenhängende Passagen mit klaren Satzgrenzen vor und bewahren Sie eine Kopie des endgültigen Skripts beim Audio. Prüfen Sie Anfang und Ende jeder Passage, die Aussprache wichtiger Namen und den Übergang zwischen benachbarten Aufnahmen. Die Sampling-Hinweise des Herstellers legen für stabile Generierung in seiner Referenzimplementierung eine Wiederholungsstrafe von mindestens 1.1 fest und weisen darauf hin, dass Sampling-Entscheidungen das Sprechtempo beeinflussen können. Die konfigurierte Modelllänge des Beispiels ist eine Inferenzeinstellung und keine belegte maximale Erzähltextdauer.

Grenzen der Modellvarianten

Dieses Profil betrifft das feinabgestimmte englische Modell mit seinen dokumentierten voreingestellten Sprechern. Das vortrainierte Modell hat einen eigenen Workflow zur Text- und Sprachkonditionierung; mehrsprachige Veröffentlichungen haben sprachspezifische Sprecher und Tags. Die Auswahl dieser englischen Ausgabe kombiniert diese getrennten Profile nicht. Ein praktisches Ergebnis ist ein gesprochenes Skript, eine bewusst gewählte voreingestellte Stimme und Audio, das auf den für das Stück benötigten Wortlaut und Vortrag geprüft wurde.