Fish Audio: S1

Το S1 είναι το μοντέλο μετατροπής κειμένου σε ομιλία προηγούμενης γενιάς της Fish Audio για εκφραστική αφήγηση και έξοδο φωνής ενός ομιλητή. Διαβάζει ένα παρεχόμενο κείμενο εκφώνησης και επιστρέφει ήχο, χρησιμοποιώντας μια επιλεγμένη φωνή ή φωνή καθοδηγούμενη από αναφορά. Το πλήρες μοντέλο S1 διαφέρει από το S1-mini, το μικρότερο μοντέλο απόσταξης· ο παραγωγός τα παρουσιάζει ως παραλλαγές 4 δισεκατομμυρίων και 500 εκατομμυρίων παραμέτρων αντίστοιχα. Αυτό το προφίλ καλύπτει το μοντέλο με την ονομασία S1.

Για αφήγηση, προετοιμάστε τις λέξεις που πρέπει πραγματικά να εκφωνηθούν και σημειώστε τα σημεία όπου πρέπει να αλλάξει η εκφορά. Ένα χρήσιμο επεξηγηματικό κείμενο δηλώνει πρώτα το κύριο σημείο του, αναπτύσσει μία ιδέα κάθε φορά και χρησιμοποιεί στίξη για να χωρίζει φράσεις που χρειάζονται φυσική παύση. Για μια σύντομη οδηγία, κρατήστε τη διατύπωση σαφή όταν ακούγεται χωρίς οθόνη. Διατηρήστε την επιθυμητή ανάγνωση ονομάτων, συντομογραφιών και μονάδων και ελέγξτε τους αριθμούς στην προφορική έξοδο, αντί να υποθέτετε ότι μια οπτικά ευανάγνωστη συμβολοσειρά έχει μόνο μία προφορά.

Το S1 χρησιμοποιεί συναισθηματικές ενδείξεις και οδηγίες εκφοράς σε παρενθέσεις, όπως (angry), (sad), (in a hurry) ή (chuckling). Τοποθετήστε μια ένδειξη πριν από την πρόταση ή φράση που πρέπει να επηρεάσει, με την πραγματική ομιλία μετά. Η εκφορά αφορά το κείμενο που ακολουθεί, επομένως μια αλλαγή διάθεσης πρέπει να εμφανίζεται εκεί όπου χρειάζεται να αλλάξει η εκτέλεση. Αυτή είναι διαφορετική σύνταξη από τις οδηγίες του S2 σε αγκύλες· διατηρήστε το κείμενο γραμμένο για την επιλεγμένη γενιά αντί να υποθέτετε ότι οι δύο μορφές σήμανσης είναι εναλλάξιμες.

Μια φωνή μπορεί να επιλεγεί μέσω αποθηκευμένου αναγνωριστικού φωνής ή να καθοδηγηθεί από ηχογράφηση αναφοράς μαζί με την απομαγνητοφώνησή της. Για μια άμεση ροή αναφοράς, ο γενικός οδηγός ομιλίας συνιστά καθαρό δείγμα 10–30 δευτερολέπτων. Επιλέξτε δείγμα του οποίου το ύφος ομιλίας και η ποιότητα ηχογράφησης ταιριάζουν στο επιθυμητό αποτέλεσμα και φροντίστε η απομαγνητοφώνηση να αντιστοιχεί στις λέξεις αυτού του δείγματος. Για έναν επαναλαμβανόμενο αφηγητή, επαναχρησιμοποιήστε την ίδια αναφορά φωνής μεταξύ αποσπασμάτων, ώστε μια αλλαγή θέματος να μην γίνεται ακούσια αλλαγή χαρακτήρα.

Η δημοσίευση του S1 κατονομάζει αγγλικά, κινεζικά, ιαπωνικά, γερμανικά, γαλλικά, ισπανικά, κορεατικά, αραβικά, ρωσικά, ολλανδικά, ιταλικά, πολωνικά και πορτογαλικά μεταξύ των υποστηριζόμενων γλωσσών και περιγράφει ανάμειξη γλωσσών μέσα σε ένα κείμενο εκφώνησης. Παρέχετε τη διατύπωση στη γλώσσα προορισμού αντί να αντιμετωπίζετε τη σύνθεση ομιλίας ως βήμα μετάφρασης. Για ένα απόσπασμα με δανεισμένο όνομα ή αλλαγή γλώσσας, κρατήστε σαφή τη γραφή και το συμφραζόμενο της γύρω πρότασης και ελέγξτε πώς χειρίζεται αυτή τη μετάβαση η επιλεγμένη φωνή.

Η διεπαφή S1 του παραγωγού υποστηρίζει έναν ομιλητή ανά αίτημα σύνθεσης. Ένας διάλογος μπορεί να προετοιμαστεί ως ξεχωριστά τμήματα με τις δικές τους αναφορές φωνής και έπειτα να συναρμολογηθεί από την εφαρμογή· η εγγενής σύνθεση πολλών ομιλητών της οικογένειας S2 είναι ξεχωριστή δυνατότητα. Κρατήστε τον ρόλο, τη φωνή και το κείμενο συνδεδεμένα με κάθε τμήμα όταν προετοιμάζετε φράσεις χαρακτήρων. Το αποτέλεσμα σύνθεσης είναι ηχητική εκτέλεση του κειμένου, ενώ ο χρονισμός μιας ανταλλαγής ή ο συνδυασμός της με μουσική και βίντεο είναι μεταγενέστερο βήμα επεξεργασίας.

Οι επιλογές εξόδου περιλαμβάνουν MP3, WAV, ακατέργαστο PCM και Opus, με προεπιλογή το MP3. Η τεκμηριωμένη έξοδος είναι μονοφωνική· τα WAV και PCM χρησιμοποιούν δείγματα 16 bit και οι επιλογές συχνότητας δειγματοληψίας διαφέρουν ανά μορφή. Το MP3 υποστηρίζει 64, 128 και 192 kbps, ενώ το Opus χρησιμοποιεί 48 kHz. Η ταχύτητα μπορεί να ρυθμιστεί από 0.5 έως 2.0, με ελέγχους έντασης. Επιλέξτε ένα κωδικοποιημένο αρχείο για παραδοτέο voice-over ή μια κατάλληλη ροή για αναπαραγωγή και διατηρήστε την επιλεγμένη φωνή και το κείμενο μαζί με το αποτέλεσμα.

Ο παραγωγός επεξεργάζεται το μεγάλο κείμενο σε τμήματα, με τεκμηριωμένο εύρος μήκους τμήματος 100–300 και προϋπολογισμό token ήχου ανά τμήμα αντί για εγγυημένη συνολική διάρκεια ηχογράφησης. Η κανονικοποίηση κειμένου μπορεί να αναπτύσσει αγγλικούς και κινεζικούς αριθμούς σε φυσική ανάγνωση και η ποινή επανάληψης του S1 μπορεί να μειώνει επαναλαμβανόμενα ηχητικά μοτίβα. Η κανονικοποίηση της αντιληπτής έντασης εξόδου είναι διαφορετική ρύθμιση και δεν έχει επίδραση στο S1. Εξετάστε την προφορά, τα όρια των φράσεων, τους επαναλαμβανόμενους ήχους και την επιθυμητή συναισθηματική μεταβολή πριν συναρμολογήσετε το τελικό απόσπασμα και έπειτα αναθεωρήστε τη συγκεκριμένη φράση ή αναφορά που χρειάζεται προσοχή.