SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech ist die Text-zu-Audio-Funktion der Grok-Stimmenfamilie. Der Hersteller dokumentiert ausdrucksstarke integrierte Sprecher, Stimmhinweise im Text und Ausgabeformate für Medienwiedergabe oder Telefonaudio. Die Eingabe ist das zu sprechende Transkript zusammen mit der Stimmen- und Sprachwahl. Die entstehende Aufnahme enthält Sprache aus diesem Transkript; Spracherkennung und dialogorientierte Speech-to-Speech-Modelle haben separate Aufgaben.

Stimme, Sprache und gesprochener Text

Der Herstellerkatalog gibt jeder Stimme ein Sprechprofil. Ara ist warm und freundlich, Eve lebhaft mit britischem Akzent, und Rex wird als klar und selbstbewusst beschrieben. Stimme und Sprache sind in der dokumentierten Familie unabhängig: Integrierte Sprecher können jede unterstützte Sprachoption verwenden. Der Leitfaden nennt zwanzig Sprachcodeoptionen einschließlich regionaler Varianten und unterstützt außerdem die automatische Erkennung der Sprache. Neben integrierten Sprechern dokumentiert der Hersteller wiederverwendbare benutzerdefinierte Stimmen, die aus einer Referenzaufnahme erstellt und für vollständige oder gestreamte Synthese über voice_id ausgewählt werden. Referenzaudio darf bis zu 120 Sekunden lang sein; empfohlen werden 90–120 Sekunden saubere Sprache eines einzelnen Sprechers, um Sprechweise und Intonation zu erfassen. Halten Sie Referenz, erstelltes Stimmenprofil und erzeugte Aufnahme als separate Artefakte und stimmen Sie die Darbietung der Referenz auf das vorgesehene Skript ab.

Bereiten Sie den endgültigen gesprochenen Wortlaut vor und bewahren Sie die vorgesehene Sprache von Namen und zitierten Passagen. Für eine gesprochene Anleitung ist eine nützliche Zeile: „Wählen Sie ein Thema, hören Sie sich die kurze Einführung an und öffnen Sie den Abschnitt, den Sie erkunden möchten.“ Benötigt ein Markenname oder Fachbegriff eine bestimmte Lesung, können die Ersetzungsfunktionen des Herstellers eine angepasste Schreibweise oder IPA-Aussprache bereitstellen, ohne den angezeigten Quelltext zu ändern. Eine separate Textnormalisierungsoption überführt geschriebene Zahlen, Abkürzungen und Symbole in ihre gesprochene Form.

Hinweise zur Sprechweise

Tags im Text platzieren ein Ereignis an einer bestimmten Stelle, etwa eine Pause, ein Lachen, einen Seufzer oder einen Atemzug. Umschließende Tags wenden eine Sprechweise auf eine vollständige Formulierung an, beispielsweise Flüstern, Betonung oder eine langsamere Passage. Setzen Sie den Hinweis dort, wo die Bedeutung ihn erfordert, und halten Sie die Wörter lesbar. Der Leitfaden empfiehlt Stilbereiche für vollständige Formulierungen und Satzzeichen statt einer Ansammlung unzusammenhängender Tags.

Bereiten Sie für eine ausdrucksstarke Figurenzeile den gesprochenen Satz und den Wechsel der Darbietung gemeinsam vor. Bewahren Sie bei einer Erklärung einen klaren Rhythmus, der dem Hörer hilft, den Schritten zu folgen. Der dokumentierte Sprechgeschwindigkeitsbereich reicht von 0.7 bis 1.5; 1.0 steht für normales Sprechen. Eine Geschwindigkeitswahl ändert das Sprechtempo, nicht die Wörter, die die Anwendung vermitteln soll.

Audio und Zeitangaben

Der Hersteller dokumentiert Ausgaben in MP3, WAV, rohem PCM, mu-law und A-law. Die unterstützten Abtastraten reichen von 8 kHz bis 48 kHz, mit konkret aufgeführten Raten dazwischen. Seine MP3-Standardkonfiguration ist 24 kHz bei 128 kbit/s. Verwenden Sie eine Audiodarstellung, die das vorgesehene Wiedergabegerät, der Bearbeitungsschritt oder der Telefoniepfad verarbeiten kann.

Optionale Zeichenzeitangaben verknüpfen die zurückgegebene Zeichenfolge mit Start- und Endzeiten. Ohne Ausspracheersetzungen entspricht diese Folge der Eingabe; Ersetzungen können sie in den gesprochenen Text ändern. Die Zeitangaben können eine Mitleseanzeige, Hervorhebungen oder die Ausrichtung auf eine visuelle Darbietung unterstützen. Im Workflow mit vollständiger Antwort ändert die Anforderung von Zeitangaben die Ausgabe in ein umschließendes Objekt mit kodiertem Audio und Zeitdaten. Behandeln Sie Zeitangaben und Audio als zusammengehöriges Ergebnis, insbesondere wenn Textnormalisierung ein geschriebenes Symbol in mehrere gesprochene Wörter erweitert.

Vollständige oder gestreamte Generierung

Der Hersteller bietet einen Weg für vollständige Anfragen und bidirektionales Streaming, bei dem Textfragmente eintreffen und Audioabschnitte während der Generierung der Äußerung zurückgegeben werden. Er dokumentiert eine Grenze von 60.000 Zeichen für eine vollständige Anfrage und für ein einzelnes gestreamtes Textfragment. Das Abschließen oder Verwerfen einer Äußerung hat im Streaming-Workflow eine ausdrückliche Funktion.

Wählen Sie für längere Erzähltexte zusammenhängende Passagengrenzen und bewahren Sie das Skript bei jedem Ergebnis auf. Unterscheiden Sie bei interaktiver Wiedergabe zwischen zur Synthese gesendetem Text und Audio, das der Hörer bereits gehört hat. Das nützliche Ergebnis ist ein gesprochenes Skript mit gezielten Sprechhinweisen, einem geeigneten Audioformat und Zeitdaten, wenn die Anwendung sie benötigt. Bewahren Sie Skript, ausgewählte Stimme, Sprechhinweise und Ausgabeeinstellungen beim Audio auf, damit spätere Überarbeitungen die vorgesehene Sprechweise erhalten.