speech-2.6-turbo

Äusserungen für einen Sprachprozess

Speech 2.6 Turbo ist eine auf Geschwindigkeit ausgerichtete Sprachsynthesevariante. Der Hersteller beschreibt sie für Sprachassistenten und interaktive Szenarien, in denen Text schrittweise zu einer Antwort wird. Das Modell behält die natürliche Intonation der Generation Speech 2.6 bei und kann spezielle Schreibformen verarbeiten.

Text, der korrekt ausgesprochen werden muss

Das Modell ist für das Vorlesen von Daten, Telefonnummern, Geldbeträgen, Webadressen und E-Mail-Adressen ausgelegt, ohne jede Schreibweise zuvor manuell umzuschreiben. Diese Verarbeitung ist in dynamischen Nachrichten hilfreich, die Zahlen und Bezeichnungen zusammen mit gewöhnlichen Wörtern enthalten. Der Hersteller beschreibt die Verarbeitung dieser Formate in mehreren Sprachen.

Redefluss und Emotionssteuerung

Speech 2.6 unterstützt Fluent LoRA: den Erhalt einer erkennbaren Klangfarbe bei flüssigerem Vorlesen. Diese Fähigkeit betrifft die Nutzung einer bereits vorbereiteten Stimme; eine separate Klonvorbereitung ist kein Teil einer gewöhnlichen Textanfrage. Die Familie umfasst 40 Sprachen, einschliesslich Russisch.

Für Turbo sind sieben grundlegende Emotionen und die zusätzlichen Modi fluent und whisper vorgesehen. Das Modell kann die emotionale Färbung anhand des Inhalts selbst wählen oder einen vorgegebenen Zustand verwenden. Klangtiefe und Tempo lassen sich unabhängig vom Text ändern.

Stimme, Pausen und Aussprache

MiniMax sieht die Stimmwahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit wird im Bereich 0,5–2 festgelegt, die Lautstärke oberhalb von 0 und bis 10, die Tonhöhenänderung von −12 bis 12. Die Emotion kann dem Modell anhand der Textbedeutung überlassen oder manuell festgelegt werden: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe.

Die Aussprache lässt sich mit einem Ersetzungswörterbuch und phonetischer Notation präzisieren; vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten im Bereich 0,01–99,99 Sekunden festgelegt. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Diese Einstellungen ermöglichen es, den Klang von Namen, Abkürzungen und mehrdeutigen Wörtern auf die beabsichtigte Vertonung abzustimmen.

Audioempfang

Die Synthese nimmt Text mit weniger als 10 000 Zeichen entgegen. Für lange Texte mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming; auch der Empfang des vollständigen fertigen Audios ist vorgesehen. Die allgemeinen Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und G.711-μ-law-Varianten, Mono oder Stereo; die verfügbaren Formate einer konkreten Anfrage werden durch die Mittel von Ailoot bestimmt.

In dieser Ailoot-Karte wird Text in Sprachaudio umgewandelt. Der Einsatzzweck von Turbo betrifft die Synthesegeschwindigkeit, doch eine feste Antwortzeit wird hier nicht versprochen; die aufgeführten Einstellungen spiegeln Herstellerfähigkeiten wider und werden innerhalb der verfügbaren Aufrufart angewendet.

Zusätzliche Audioeinstellungen umfassen die Abtastraten 8, 16, 22,05, 24, 32 und 44,1 kHz. Für MP3 sind die Bitraten 32, 64, 128 oder 256 kbit/s vorgesehen. Auch die Stimmfarbe lässt sich verändern und ein Effekt anwenden: weitläufiges Echo, Saalecho, Telefonklang oder eine Roboterstimme. Effekte zur Stimmveränderung werden bei vollständigem Audioempfang für MP3, WAV und FLAC unterstützt, bei Streaming nur für MP3. G.711-μ-law-Formate verwenden eine Abtastrate von 8 kHz. Diese Möglichkeiten gehören zu den Syntheseeinstellungen von MiniMax.

Der Hersteller sieht die Synchronisation von Sprache und Text vor: Zeitmarken für Sätze, Wörter oder Wörter bei schrittweiser Ausgabe. Ein solches Ergebnis hilft, das Sprechen mit der Textanzeige abzustimmen. Diese Zusatzfunktion benötigt Unterstützung des entsprechenden Antwortformats.