Deepgram: Aura-2

Το Aura-2 είναι η οικογένεια μετατροπής κειμένου σε ομιλία της Deepgram με φωνές σε επτά γλώσσες: αγγλικά, ισπανικά, γερμανικά, γαλλικά, ολλανδικά, ιταλικά και ιαπωνικά. Μετατρέπει το παρεχόμενο κείμενο σε ομιλία για απαντήσεις εξυπηρέτησης πελατών, τηλεφωνικά μενού, εξηγήσεις και αφήγηση. Ο κατασκευαστής περιγράφει τον ρυθμό, την εκφραστικότητα και τα γεμίσματα του προφορικού λόγου ως αποκρίσεις στη διατύπωση και στο συμφραζόμενο του παρεχόμενου κειμένου.

Ταιριάξτε τη φωνή με τη γλώσσα και την εργασία

Κάθε φωνή ταυτοποιείται από την οικογένεια, τον ομιλητή και τη γλώσσα της. Ο κατάλογος διακρίνει προφορές και χαρακτηριστικά εκφοράς, αντί να αντιμετωπίζει όλους τους ομιλητές ως εναλλάξιμους. Η Thalia είναι μια ζωηρή επιλογή στα αμερικανικά αγγλικά· ο Draco είναι μια βρετανική φωνή που συνδέεται με την αφήγηση ιστοριών· η Celeste είναι φωνή στα ισπανικά της Κολομβίας που συνδέεται με συνομιλίες και ανακοινώσεις. Επιλέξτε τη φωνή έχοντας κατά νου το πραγματικό κείμενο και τον ακροατή.

Επιλεγμένες ισπανικές φωνές υποστηρίζουν εναλλαγή μεταξύ αγγλικών και ισπανικών: Aquila, Carina, Diana, Javier και Selena. Αυτή η δυνατότητα ανήκει στους συγκεκριμένους κατονομαζόμενους ομιλητές και όχι σε κάθε φωνή της οικογένειας. Για ένα απόσπασμα με ανάμεικτες γλώσσες, διατηρήστε την επιθυμητή γλώσσα των ονομάτων προϊόντων και των παρατιθέμενων φράσεων και ακούστε τη μετάβαση με έναν ομιλητή του οποίου το τεκμηριωμένο προφίλ υποστηρίζει την εργασία.

Προετοιμάστε το κείμενο για ομιλία

Ο οδηγός μορφοποίησης του Aura-2 συνιστά στίξη στο τέλος των προτάσεων, ερωτηματικά στις ερωτήσεις, κόμματα για φυσικές παύσεις και σύντομες αυτοτελείς φράσεις. Δώστε το τελικό κείμενο που πρέπει να ακουστεί και όχι μια οδηγία που ζητά από τον συνθέτη να γράψει το μήνυμα. Ένα χρήσιμο κείμενο καθοδήγησης είναι: «Welcome. Choose a language, then select the topic you need. You can repeat the instructions at any time.» Η στίξη χωρίζει τις ενέργειες του ακροατή και δίνει στο μοντέλο σαφέστερο ρυθμό.

Γράψτε ένα αναγνωριστικό ως ξεχωριστά γράμματα όταν πρέπει να διαβαστεί χαρακτήρα προς χαρακτήρα. Εξηγήστε τα ακρωνύμια και αποφύγετε μια μακροσκελή πρόταση χωρίς σωστές διακοπές όταν πρέπει να εξηγηθούν πολλές συνθήκες. Ο κατασκευαστής συνιστά επίσης να μπαίνουν σε εισαγωγικά οι λέξεις εντολών και να διαβάζεται ένα απόσπασμα δυνατά πριν από τη σύνθεση. Για εκπαιδευτική αφήγηση ή αφήγηση προϊόντος, διατηρήστε τους σημαντικούς όρους μετατρέποντας παράλληλα γραπτούς τίτλους και πυκνές λίστες σε πλήρεις προφορικές φράσεις.

Ρυθμός και προφορά

Ο κατασκευαστής τεκμηριώνει ελέγχους ταχύτητας και προφοράς IPA για αγγλικά και ισπανικά. Το εύρος ταχύτητας ομιλίας του Aura-2 είναι από 0.7 έως 1.5· για ισπανικά, συνιστά από 0.9 έως 1.5, επειδή πιο αργές ρυθμίσεις μπορεί να εισάγουν δυσχέρειες στη ροή της ομιλίας. Η προφορά και η ταχύτητα μπορούν να συνδυαστούν σε αυτή την οικογένεια. Οι παρακάμψεις IPA μπορούν να στοχεύουν ένα εξειδικευμένο όνομα ή έναν όρο, ενώ η σύμβαση του Aura-2 τοποθετεί τον δείκτη τονισμού ακριβώς πριν από το φωνήεν.

Η προδιαγραφή του ελέγχου προφοράς επιτρέπει έως πεντακόσιες παρακάμψεις, με κάθε συμβολοσειρά IPA να μην υπερβαίνει τους 128 χαρακτήρες, και τεκμηριώνει όριο 2.000 χαρακτήρων για το κείμενο εισόδου σε αυτή τη ροή εργασίας. Το Aura-2 δεν υποστηρίζει τη λειτουργία ρητού ελέγχου παύσεων που τεκμηριώνεται για το Flux TTS. Χρησιμοποιήστε τη δομή των προτάσεων και τη στίξη για να προετοιμάσετε τον ρυθμό και χωρίστε το μεγαλύτερο υλικό σε συνεκτικά αποσπάσματα όταν το απαιτεί η επιλεγμένη ροή εργασίας.

Παράδοση και χρήση ήχου

Ο κατασκευαστής παρέχει ροές σύνθεσης για πλήρες αίτημα και ροές μετατροπής κειμένου σε ήχο μέσω streaming. Ο οδηγός πολυμέσων του διακρίνει τα ακατέργαστα PCM, mu-law και A-law σε streaming από επιλογές εξόδου προσανατολισμένες σε αρχεία, όπως WAV, MP3, Opus, FLAC και AAC. Η τεκμηριωμένη προεπιλογή PCM/WAV για τη ροή αιτημάτων Aura είναι 24 kHz. Οι περιέκτες αρχείων, οι συχνότητες δειγματοληψίας και οι κωδικοποιήσεις σχηματίζουν έγκυρους συνδυασμούς· μια τηλεφωνική σύνδεση και ένα αρχείο αφήγησης για λήψη μπορεί να απαιτούν διαφορετικές επιλογές.

Το Aura-2 παραμένει ξεχωριστή οικογένεια από το Aura πρώτης γενιάς και από το Flux TTS. Η κατάσταση μεταξύ γύρων ομιλίας, η ενημέρωση για διακοπές και οι έλεγχοι παύσης αποκλειστικά για batch του Flux δεν είναι λειτουργίες που μπορεί κανείς να συμπεράνει από το όνομα μιας φωνής Aura-2. Η χρήσιμη έξοδος είναι μια προφορική εκδοχή του πραγματικού κειμένου σε κατάλληλη γλώσσα, προφορά και αναπαράσταση ήχου. Ελέγξτε τα ονόματα, τις αλλαγές γλώσσας, τον ρυθμό που καθοδηγείται από τη στίξη και τις σημαντικές οδηγίες με τον προβλεπόμενο ακροατή πριν επαναχρησιμοποιήσετε την ηχογράφηση.