Microsoft AI: MAI-Voice-2.1

Το MAI-Voice-2.1 είναι το μοντέλο μετατροπής κειμένου σε ομιλία της Microsoft AI που καθοδηγείται με προτροπές, για εργασίες όπου έχουν σημασία η εκφραστική εκφορά και η πιστότητα ήχου. Η κάρτα μοντέλου του καλύπτει είκοσι τρεις γλώσσες και είκοσι έξι τοπικές παραλλαγές, με φυσικό επιτονισμό, ρυθμό και συναισθηματικές αποχρώσεις. Ο κατασκευαστής αναφέρει ως κύριες χρήσεις τα ηχητικά βιβλία, την αφήγηση για μέσα, τη δημιουργία περιεχομένου και το voice-over. Αυτή η έκδοση δίνει έμφαση σε εκτενέστερο εκφραστικό περιεχόμενο· το MAI-Voice-2.1-Flash είναι η ξεχωριστή επιλογή που έχει σχεδιαστεί για αλληλεπιδράσεις ευαίσθητες στην καθυστέρηση.

Αφήγηση με συνεπή ομιλητή

Η κάρτα μοντέλου τεκμηριώνει μία ταυτότητα φωνής που αποδίδεται με συνέπεια στις υποστηριζόμενες γλώσσες. Η παραγωγή περιεχομένου μεγάλης έκτασης χρησιμοποιεί χωρισμό σε τμήματα και μεταφορά συμφραζομένου για να βελτιώνει τη συνέχεια μεταξύ αποσπασμάτων. Αυτό είναι χρήσιμο για ένα μάθημα, ένα κεφάλαιο ηχητικού βιβλίου ή μια ακολουθία σχετικών ενοτήτων voice-over που πρέπει να διατηρούν τα χαρακτηριστικά του αφηγητή. Προετοιμάστε συνεκτικά αποσπάσματα με σαφή όρια και διατηρήστε την ίδια επιλογή ομιλητή σε όλο το έργο.

Η είσοδος είναι το τελικό κείμενο εκφώνησης, με προαιρετική αναφορά ομιλητή και εκφραστικούς ελέγχους SSML. Οι οδηγίες μιας αφήγησης πρέπει να διακρίνουν όσα ακούει ο ακροατής από τις σημειώσεις παραγωγής. Για μια τεχνική επεξήγηση, γράψτε σαφή εισαγωγή, έπειτα τα πραγματικά βήματα και την τελική οδηγία. Διατηρήστε τα ονόματα προϊόντων και τους επαναλαμβανόμενους όρους σε συνεπή γραπτή μορφή. Για γλωσσικά προσαρμοσμένη αφήγηση, προετοιμάστε το κείμενο στη γλώσσα προορισμού· η επιλεγμένη γλώσσα και φωνή καθορίζουν την προφορική απόδοσή του.

Ομιλητές, ρόλοι και εκφραστικός έλεγχος

Η Microsoft παρέχει μια επιμελημένη βιβλιοθήκη φωνών και τεκμηριώνει πολλούς ομιλητές για διάλογο. Τα ονόματα Harper και Grant αποτελούν παραδείγματα ταυτοτήτων ομιλητών με καταχωρίσεις για πολλές τοπικές παραλλαγές. Μια εκπαιδευτική συνομιλία δύο ατόμων μπορεί να αναθέτει την ερώτηση και την εξήγηση σε διαφορετικές φωνές, διατηρώντας την ίδια ανάθεση όταν ένας ρόλος επανέρχεται. Σημειώστε καθαρά τις προφορικές φράσεις, ώστε η επιθυμητή συνομιλία να αναπαρίσταται στην είσοδο σύνθεσης.

Το ύφος και η εκφορά μπορούν να διαμορφωθούν σε επίπεδο γύρου ομιλίας ή πρότασης μέσω SSML. Τα στυλ είναι ειδικά για κάθε ομιλητή: ο διαχειριζόμενος κατάλογος παραθέτει στυλ αφηγητή ή εκπαιδευτικά στυλ προσανατολισμένα στην εργασία για κατάλληλες φωνές και συναισθηματικές επιλογές, όπως χαρά ή ανακούφιση, για άλλες. Η αμερικανική καταχώριση Harper υποστηρίζει αυτά τα δύο συναισθηματικά στυλ. Επιλέξτε μαζί τον ομιλητή και το τεκμηριωμένο στυλ εκφοράς του, αντί να μεταφέρετε ένα στυλ από άλλη φωνή.

Για μια ιστορία ή παρουσίαση, η εκφραστικότητα μπορεί να διακρίνει μια πραγματολογική εξήγηση, ένα στοχαστικό απόσπασμα και ένα ζωηρό παράθεμα. Μια πρακτική φράση είναι: «The first attempt gave us an incomplete picture. Looking at the whole sequence made the missing step clear.» Αποφασίστε πού αλλάζει το νόημα και προετοιμάστε ανάλογα τις μονάδες ομιλίας. Ακούστε τις μεταβάσεις, ώστε η εκφορά να ακολουθεί την αφήγηση αντί να δίνει την ίδια έμφαση σε κάθε πρόταση.

Φωνή αναφοράς και ηχητικό αποτέλεσμα

Η προαιρετική λειτουργία προσαρμοσμένης φωνής αναπαράγει τη φωνή ενός ομιλητή που έχει δώσει τη συγκατάθεσή του από ηχητική αναφορά πέντε έως εξήντα δευτερολέπτων, χωρίς λεπτομερή προσαρμογή του μοντέλου. Η Microsoft συνιστά φυσική συνομιλιακή εκφορά και μέτρια ενέργεια σε αυτή την αναφορά, καθώς το δείγμα επηρεάζει την παραγόμενη φωνή. Η ροή προσαρμοσμένης φωνής της απαιτεί έγκριση του κατασκευαστή και ηχογραφημένη δήλωση συγκατάθεσης. Η έτοιμη βιβλιοθήκη αποτελεί ξεχωριστή διαδρομή επιλογής φωνής.

Ο κατασκευαστής επιτρέπει την επιλογή μορφής εξόδου και το δημοσιευμένο παράδειγμα σύνθεσης αποθηκεύει μονοφωνικό MP3 στα 24 kHz και 160 kbit/s. Αυτές οι ρυθμίσεις περιγράφουν μία ροή εξόδου. Επιλέξτε την αναπαράσταση ήχου για το επόμενο στάδιο επεξεργασίας ή αναπαραγωγής και διατηρήστε το κείμενο, τον ομιλητή και τη σειρά των ενοτήτων συνδεδεμένα με την ηχογράφηση. Ένα ολοκληρωμένο κεφάλαιο ή μάθημα μπορεί να περιέχει πολλά παραγόμενα αποσπάσματα και ταυτόχρονα να παραμένει μία συνεκτική εμπειρία ακρόασης.

Χρησιμοποιήστε το αποτέλεσμα μεγάλης έκτασης

Το MAI-Voice-2.1 προσανατολίζεται στη φυσικότητα και την έκφραση όταν ο χρόνος άμεσης απόκρισης είναι λιγότερο σημαντικός από την προφορική ερμηνεία. Για ένα εκτενές έργο, ελέγξτε τα επαναλαμβανόμενα ονόματα, τα όρια των ενοτήτων, τις φωνές που έχουν ανατεθεί στον διάλογο και τις αλλαγές συναισθηματικού ύφους. Η τεκμηρίωση θεμελιώνει τη δυνατότητα μεγάλης έκτασης και τους μηχανισμούς συνέπειας χωρίς να ορίζει απεριόριστο κείμενο ή εγγυημένη μέγιστη διάρκεια ηχογράφησης. Το πρακτικό παραδοτέο είναι εκφραστικός ήχος του οποίου ο αφηγητής, η διατύπωση και η εξέλιξη αντιστοιχούν στο προετοιμασμένο υλικό.