tts-1-hd

Το TTS-1 HD είναι το μοντέλο μετατροπής κειμένου σε ομιλία της OpenAI που έχει βελτιστοποιηθεί για ποιότητα ήχου. Είσοδός του είναι ένα προετοιμασμένο κείμενο και έξοδός του η ομιλία σε μορφή ήχου. Η επιλογή HD διαφέρει από το προφίλ του TTS-1 που προσανατολίζεται στην ταχύτητα: η OpenAI περιγράφει το TTS-1 ως μοντέλο με χαμηλότερη καθυστέρηση αλλά και χαμηλότερη ποιότητα. Επομένως, το HD είναι χρήσιμη επιλογή αφήγησης όταν το τελικό φωνητικό κομμάτι έχει μεγαλύτερη σημασία από την όσο το δυνατόν ταχύτερη έναρξη αναπαραγωγής. Ένα γραπτό άρθρο, ένα απόσπασμα μαθήματος ή μια προσεγμένη εξήγηση μπορούν να μετατραπούν σε ηχητικό υλικό.

Οι βασικές είσοδοι είναι το επιλεγμένο μοντέλο, το ακριβές κείμενο και μια φωνή. Η αναφορά ομιλίας του κατασκευαστή περιορίζει το κείμενο σε 4096 χαρακτήρες ανά αίτημα. Αυτό περιγράφει το μήκος της γραπτής εισόδου, όχι εγγύηση διάρκειας ήχου. Προετοιμάστε κείμενο που γίνεται κατανοητό όταν ακούγεται: αναπτύξτε τις αμφίσημες συντομογραφίες, αποφασίστε πώς εκφωνούνται οι ποσότητες και διατηρήστε τη συνοχή κάθε αποσπάσματος. Για μεγαλύτερο μάθημα ή άρθρο, χωρίστε το κείμενο σε ουσιαστικά όρια και διατηρήστε τη σειρά με την οποία θα χρησιμοποιηθούν τα αποσπάσματα που προκύπτουν.

Ο τρέχων οδηγός της OpenAI παραθέτει εννέα ενσωματωμένες επιλογές για το TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage και shimmer. Οι φωνές είναι βελτιστοποιημένες για αγγλικά, ενώ ο οδηγός μετατροπής κειμένου σε ομιλία υποστηρίζει παραγωγή ομιλίας σε πολλές γλώσσες με την παροχή κειμένου στην απαιτούμενη γλώσσα. Η σύγκριση φωνών είναι πιο χρήσιμη με το ίδιο αντιπροσωπευτικό κείμενο, που περιλαμβάνει τα ονόματα και το ειδικό λεξιλόγιο του τελικού υλικού. Διατηρήστε συνεπή φωνή και ταχύτητα όταν πολλά αποσπάσματα σχηματίζουν μία αφήγηση.

Το MP3 είναι η προεπιλεγμένη έξοδος. Τα Opus και AAC παρέχουν εναλλακτικές συμπιεσμένες μορφές ήχου· το FLAC παρέχει συμπίεση χωρίς απώλειες· το WAV παρέχει ασυμπίεστο ήχο. Το PCM παρέχει ακατέργαστα δείγματα 24 kHz, 16-bit, με πρόσημο και διάταξη little-endian, χωρίς κεφαλίδα αρχείου. Αυτές οι επιλογές εξυπηρετούν διαφορετικές χρήσεις: ένα μικρό αρχείο για διανομή, υλικό συνεχούς μετάδοσης ή ήχο για μεταφορά σε ροή επεξεργασίας. Η OpenAI συνιστά WAV ή PCM για ταχύτερους χρόνους απόκρισης, όταν η επιβάρυνση αποκωδικοποίησης έχει σημασία. Η επιλογή μορφής αρχείου δεν αλλάζει το κείμενο ούτε προσθέτει ξεχωριστό μοντέλο ελέγχου φωνής.

Η ομιλία μπορεί να παραδίδεται σε τμήματα, επιτρέποντας την έναρξη της αναπαραγωγής πριν ολοκληρωθεί το αρχείο ήχου. Πρόκειται για συνεχή μετάδοση από κείμενο σε ήχο· δεν τεκμηριώνει αμφίδρομη φωνητική συζήτηση. Η αναφορά υποστηρίζει τιμή ταχύτητας από 0.25 έως 4.0, με προεπιλογή 1.0. Το ξεχωριστό πεδίο οδηγιών φυσικής γλώσσας δεν λειτουργεί με το TTS-1 HD και η έξοδος συμβάντων SSE δεν υποστηρίζεται για αυτό το μοντέλο. Το κείμενο, η προκαθορισμένη φωνή, η ταχύτητα και η μορφή εξόδου είναι οι τεκμηριωμένες ρυθμίσεις, αντί της διεπαφής των νεότερων μοντέλων ομιλίας που δέχεται προτροπές για προφορά ή συναισθηματικές οδηγίες.

Ο οδηγός γλωσσών περιλαμβάνει ρωσικά, ουκρανικά, αγγλικά, γαλλικά, γερμανικά, ισπανικά, πορτογαλικά, ιταλικά, κινεζικά, ιαπωνικά, κορεατικά, αραβικά, χίντι και καζακικά μεταξύ των υποστηριζόμενων γλωσσών. Προετοιμάστε το κείμενο στη γλώσσα προορισμού· η σύνθεση αποδίδει αυτό το κείμενο αντί να το μεταφράζει. Για εκπαιδευτικό περιεχόμενο, κάντε σαφείς τους ορισμούς και τις μεταβάσεις μεταξύ ενοτήτων. Για ένα επεξηγηματικό ηχητικό απόσπασμα, προετοιμάστε το ακριβές μήνυμα και όποια ονόματα πρέπει να ακουστούν. Η βελτιστοποίηση της φωνής για αγγλικά παραμένει σχετική κατά την αξιολόγηση του πώς ακούγονται μια συγκεκριμένη γλώσσα και το λεξιλόγιό της.

Μια πρακτική ροή HD παράγει ένα ηχητικό απόσπασμα που ακούτε, ελέγχετε και στη συνέχεια εντάσσετε στο τελικό υλικό. Ελέγξτε ότι αποδόθηκε κάθε πρόταση, ότι τα ονόματα και οι ποσότητες προφέρθηκαν αποδεκτά και ότι ο επιλεγμένος ρυθμός υποστηρίζει την κατανόηση. Διατηρήστε το γραπτό κείμενο δίπλα στον ήχο, ώστε μια διόρθωση να μπορεί να εντοπιστεί στο σχετικό απόσπασμα. Η OpenAI απαιτεί σαφή γνωστοποίηση ότι η παραγόμενη φωνή είναι τεχνητή. Το HD περιγράφει την οικογένεια TTS που προσανατολίζεται στην ποιότητα· δεν υπόσχεται από μόνο του ακριβή χρονισμό, προσαρμοσμένη ταυτότητα ομιλητή ή τα εκφραστικά χειριστήρια άλλου μοντέλου.