Canopy Labs: Orpheus 3B

Orpheus 3B 0.1 Fine-Tuned es el modelo de texto a voz en inglés de Canopy Labs para síntesis cotidiana. Pertenece a la familia Orpheus, construida sobre una arquitectura base Llama 3B, y se centra en entonación natural, ritmo y expresión. La entrada es el texto que debe pronunciarse, con un hablante seleccionado; la salida es audio de voz. El fabricante también enumera clonación de voz zero-shot para este modelo ajustado exacto. Su ejemplo publicado de síntesis ajustada utiliza hablantes predefinidos, mientras que los prompts de texto y voz condicionados por referencia se documentan por separado para la edición preentrenada. Esta edición ajustada es distinta del modelo preentrenado y de los modelos multilingües de investigación publicados por separado.

Elige un hablante y prepara la frase

El fabricante enumera ocho voces predefinidas en inglés: tara, leah, jess, leo, dan, mia, zac y zoe. Su convención de prompt sitúa el nombre del hablante antes del texto hablado, separado por dos puntos. El flujo de referencia de generación de voz puede añadir ese formato cuando la voz se proporciona por separado. Selecciona un hablante para la pieza prevista y mantén esa elección coherente entre pasajes conectados.

Para una explicación corta, escribe la narración final, en lugar de una instrucción que pida al modelo inventar la explicación. Una frase hablada útil es: «Choose the folder you want to share, check who can open it, and save the changes.» Para diálogo, prepara expresamente la frase de cada hablante y conserva la puntuación que ayude a la expresión. Una abreviatura, fecha o nombre de producto debe escribirse en la forma que quieras que oiga el oyente, especialmente cuando su forma abreviada escrita sea ambigua.

Indicios expresivos y no verbales

Orpheus documenta las etiquetas <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> y <gasp>. Proporcionan al texto un evento no verbal explícito en el punto pertinente. Un pasaje conversacional corto puede situar una risa suave antes de un comentario ligero o un suspiro antes de una frase reflexiva. Utiliza el indicio donde corresponda en la interpretación y mantén claras las palabras reales de la frase.

Son indicios de generación de voz, no un lenguaje general de instrucciones para editar una grabación existente. Para una locución, empieza con texto legible y añade solo los eventos expresivos que necesite la escena. Escucha la frase completa para juzgar si el evento, el énfasis y el ritmo apoyan el significado. Una tarea narrativa puede necesitar una voz estable, mientras que la frase de un personaje puede beneficiarse de un indicio no verbal específico.

Streaming y resultado de audio

El fabricante proporciona tanto un notebook sin streaming como un ejemplo de voz en streaming. El streaming devuelve fragmentos sucesivos de audio conforme se genera el pasaje. En el ejemplo publicado, esos fragmentos se escriben en un archivo WAV mono a 24,000 Hz con muestras de 16 bits. Esos ajustes de archivo describen el flujo de referencia; el resultado útil es una grabación reproducible cuyas palabras, hablante y expresión puedan comprobarse frente al guion.

Para una narración más larga, prepara pasajes coherentes con límites claros de frase y mantén una copia del guion final junto al audio. Revisa el inicio y final de cada pasaje, la pronunciación de nombres importantes y la transición entre grabaciones adyacentes. Las indicaciones de muestreo del fabricante especifican una penalización de repetición de al menos 1.1 para generación estable en su implementación de referencia y señalan que las elecciones de muestreo pueden afectar a la velocidad del habla. La longitud de modelo configurada en el ejemplo es un ajuste de inferencia, en lugar de una duración máxima establecida de narración.

Límites de edición

Este perfil se refiere al modelo ajustado en inglés con sus hablantes predefinidos documentados. El modelo preentrenado tiene su propio flujo de condicionamiento de texto y voz; las ediciones multilingües tienen hablantes y etiquetas específicos por idioma. Seleccionar esta edición inglesa no combina esos perfiles separados. Un entregable práctico es un guion hablado, una voz predefinida elegida con intención y audio revisado para las palabras y la interpretación que requiera la pieza.