SpaceXAI: Grok Voice TTS 1.0

Το Grok Text to Speech είναι η δυνατότητα μετατροπής κειμένου σε ήχο της οικογένειας φωνής Grok. Ο κατασκευαστής τεκμηριώνει εκφραστικές ενσωματωμένες φωνές, ενσωματωμένες φωνητικές οδηγίες και μορφές εξόδου κατάλληλες για αναπαραγωγή πολυμέσων ή ήχο τηλεφωνίας. Είσοδός του είναι το κείμενο προς εκφώνηση, μαζί με τις επιλογές φωνής και γλώσσας. Η ηχογράφηση που προκύπτει είναι ομιλία από αυτό το κείμενο· η αναγνώριση ομιλίας και τα συνομιλιακά μοντέλα μετατροπής ομιλίας σε ομιλία έχουν διαφορετικές εργασίες.

Φωνή, γλώσσα και εκφωνούμενο κείμενο

Ο κατάλογος του κατασκευαστή δίνει σε κάθε φωνή ένα προφίλ εκφοράς. Η Ara είναι ζεστή και φιλική, η Eve έχει ζωηρό τόνο και βρετανική προφορά, ενώ η Rex περιγράφεται ως καθαρή και γεμάτη αυτοπεποίθηση. Η φωνή και η γλώσσα είναι ανεξάρτητες στην τεκμηριωμένη οικογένεια: οι ενσωματωμένες φωνές μπορούν να χρησιμοποιούν κάθε υποστηριζόμενη επιλογή γλώσσας. Ο οδηγός παραθέτει είκοσι επιλογές κωδικού γλώσσας, συμπεριλαμβανομένων τοπικών παραλλαγών, και υποστηρίζει επίσης αυτόματη ανίχνευση γλώσσας. Πέρα από τις ενσωματωμένες φωνές, ο κατασκευαστής τεκμηριώνει επαναχρησιμοποιήσιμες προσαρμοσμένες φωνές που δημιουργούνται από ηχογράφηση αναφοράς και επιλέγονται μέσω voice_id για πλήρη σύνθεση ή σύνθεση με συνεχή μετάδοση. Ο ήχος αναφοράς μπορεί να έχει διάρκεια έως 120 δευτερόλεπτα· συνιστώνται 90–120 δευτερόλεπτα καθαρής ομιλίας ενός ομιλητή, ώστε να αποτυπωθούν η εκφορά και ο επιτονισμός. Διατηρήστε την αναφορά, το προφίλ φωνής που δημιουργήθηκε και την παραγόμενη ηχογράφηση ως ξεχωριστά τεχνουργήματα και ταιριάξτε την ερμηνεία της αναφοράς στο προβλεπόμενο κείμενο.

Προετοιμάστε την τελική διατύπωση που θα ακουστεί, διατηρώντας την επιδιωκόμενη γλώσσα των ονομάτων και των παραθεμάτων. Για έναν αφηγούμενο οδηγό, μια χρήσιμη φράση είναι: «Επιλέξτε ένα θέμα, ακούστε τη σύντομη εισαγωγή και ανοίξτε την ενότητα που θέλετε να εξερευνήσετε». Αν μια επωνυμία ή ένας ειδικός όρος χρειάζεται συγκεκριμένη ανάγνωση, οι ρυθμίσεις αντικατάστασης του κατασκευαστή μπορούν να δώσουν εναλλακτική γραφή ή προφορά IPA χωρίς να αλλάξει το εμφανιζόμενο αρχικό κείμενο. Μια ξεχωριστή επιλογή κανονικοποίησης κειμένου μετατρέπει γραπτούς αριθμούς, συντομογραφίες και σύμβολα προς την προφορική τους μορφή.

Οδηγίες ερμηνείας

Οι ενσωματωμένες ετικέτες τοποθετούν ένα συμβάν σε συγκεκριμένο σημείο, όπως παύση, γέλιο, αναστεναγμό ή ανάσα. Οι ετικέτες που περικλείουν κείμενο εφαρμόζουν εκφορά σε ολόκληρη φράση, για παράδειγμα ψίθυρο, έμφαση ή πιο αργό ρυθμό. Τοποθετήστε την οδηγία εκεί όπου το απαιτεί το νόημα και διατηρήστε τις λέξεις ευανάγνωστες. Ο οδηγός συνιστά εύρη ύφους που καλύπτουν ολοκληρωμένες φράσεις και στίξη, αντί για συσσώρευση άσχετων ετικετών.

Για μια εκφραστική ατάκα χαρακτήρα, προετοιμάστε μαζί την εκφωνούμενη πρόταση και τη μεταβολή της ερμηνείας. Για μια εξήγηση, διατηρήστε σαφή ρυθμό που βοηθά τον ακροατή να παρακολουθήσει τα βήματα. Το τεκμηριωμένο εύρος ταχύτητας ομιλίας είναι από 0.7 έως 1.5, με το 1.0 να αντιστοιχεί στη φυσιολογική εκφορά. Η επιλογή ταχύτητας αλλάζει τον ρυθμό της ομιλίας· δεν αλλάζει τις λέξεις που πρέπει να μεταδώσει η εφαρμογή.

Ήχος και χρονισμοί

Ο κατασκευαστής τεκμηριώνει έξοδο MP3, WAV, ακατέργαστου PCM, mu-law και A-law. Οι υποστηριζόμενες επιλογές συχνότητας δειγματοληψίας εκτείνονται από 8 kHz έως 48 kHz, με συγκεκριμένες καταγεγραμμένες συχνότητες μεταξύ αυτών των τιμών. Η προεπιλεγμένη ρύθμιση MP3 είναι 24 kHz στα 128 kbit/s. Χρησιμοποιήστε αναπαράσταση ήχου που μπορεί να ερμηνεύσει η προβλεπόμενη συσκευή αναπαραγωγής, το στάδιο επεξεργασίας ή η διαδρομή τηλεφωνίας.

Οι προαιρετικοί χρονισμοί χαρακτήρων αντιστοιχίζουν την επιστρεφόμενη ακολουθία χαρακτήρων με χρόνους έναρξης και λήξης. Χωρίς αντικαταστάσεις προφοράς, αυτή η ακολουθία αντικατοπτρίζει την είσοδο· οι αντικαταστάσεις μπορούν να τη μετατρέψουν στο εκφωνούμενο κείμενο. Μπορούν να υποστηρίξουν εμφάνιση κειμένου για παράλληλη ανάγνωση, επισήμανση ή ευθυγράμμιση με μια οπτική ερμηνεία. Στη ροή πλήρους απόκρισης, το αίτημα χρονισμών αλλάζει την έξοδο σε περίβλημα που περιέχει κωδικοποιημένο ήχο και δεδομένα χρονισμού. Αντιμετωπίστε τους χρονισμούς και τον ήχο ως συνδεδεμένο αποτέλεσμα, ιδιαίτερα όταν η κανονικοποίηση κειμένου αναπτύσσει ένα γραπτό σύμβολο σε πολλές εκφωνούμενες λέξεις.

Πλήρης παραγωγή ή συνεχής μετάδοση

Ο κατασκευαστής προσφέρει διαδρομή πλήρους αιτήματος και αμφίδρομη συνεχή μετάδοση, στην οποία καταφθάνουν αποσπάσματα κειμένου και επιστρέφουν τμήματα ήχου καθώς παράγεται η φράση. Τεκμηριώνει όριο 60.000 χαρακτήρων για ένα πλήρες αίτημα και για ένα μεμονωμένο απόσπασμα κειμένου σε συνεχή μετάδοση. Η ολοκλήρωση ή η εκκαθάριση μιας φράσης έχει ρητό ρόλο στη ροή συνεχούς μετάδοσης.

Για μεγαλύτερη αφήγηση, επιλέξτε συνεκτικά όρια αποσπασμάτων και διατηρήστε το κείμενο μαζί με κάθε αποτέλεσμα. Για διαδραστική αναπαραγωγή, διακρίνετε το κείμενο που στάλθηκε για σύνθεση από τον ήχο που έχει ήδη ακούσει ο ακροατής. Το χρήσιμο παραδοτέο είναι ένα εκφωνημένο κείμενο με σκόπιμες οδηγίες ερμηνείας, κατάλληλη μορφή ήχου και δεδομένα χρονισμού όταν τα χρειάζεται η εφαρμογή. Διατηρήστε το κείμενο, την επιλεγμένη φωνή, τις οδηγίες ερμηνείας και τις ρυθμίσεις εξόδου μαζί με τον ήχο, ώστε οι μελλοντικές αναθεωρήσεις να διατηρούν την επιδιωκόμενη εκφορά.