speech-2.8-turbo

Schnelle Synthese von Gesprächsäusserungen

Speech 2.8 Turbo verbindet schnelle Audioerstellung mit natürlichem Stimmverlauf. Der Hersteller positioniert Turbo für flüssigen Gesprächsklang: kurze Äusserungen, Textvertonung und sprachliche Interaktion. Diese Karte nimmt Text entgegen und gibt Sprachaudio zurück.

Lachen, Atmen und Ausrufe

Wie die HD-Version dieser Generation unterstützt Turbo die Klangmarker von Speech 2.8. Der Text kann Kennzeichnungen für Lachen, Kichern, Husten, Räuspern, Einatmen, Ausatmen, Seufzen und weitere kurze Laute enthalten. Diese steuerbare Unregelmässigkeit lässt die Äusserung wie ein Gespräch klingen: Inhaltlich passende Atemzüge und Pausen treten auf.

Ein Klangmarker bezieht sich auf eine konkrete Textstelle. Dafür werden die vom Modell vorgesehenen Bezeichnungen in runden Klammern verwendet, etwa (laughs) oder (breath). Eine beliebige Effektbeschreibung ist kein gleichwertiger Ersatz für einen unterstützten Marker.

Stimme und Sprache

Die Speech-2.8-Familie unterstützt 40 Sprachen, einschliesslich Russisch, und die Arbeit mit vorbereiteten Stimmen. Der Hersteller hebt eine erkennbare Stimmtextur, Atemmerkmale und die Verringerung digitaler Verzerrungen hervor. Klonen gehört zur separaten Vorbereitung einer Stimme, die anschliessend bei der Synthese eingesetzt werden kann.

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.

Schrittweise Ausgabe und Audioformat

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.

Die Geschwindigkeit von Turbo ist eine Eigenschaft der Modellvariante und kein Versprechen einer festen Verzögerung der fertigen Äusserung. Eine zahlenmässige Verzögerung dieser Anfrage wird hier nicht festgelegt. Die aufgeführten erweiterten Herstellereinstellungen benötigen Unterstützung in der gewählten Ailoot-Aufrufart.

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.