SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech es la función de conversión de texto a audio de la familia de voz Grok. El fabricante documenta voces integradas expresivas, indicaciones vocales insertadas en el texto y formatos de salida adecuados para la reproducción multimedia o el audio telefónico. La entrada es el guion que se va a pronunciar, junto con las opciones de voz e idioma. La grabación resultante contiene la locución de ese guion; el reconocimiento de voz y los modelos conversacionales de voz a voz tienen funciones distintas.

Voz, idioma y texto hablado

El catálogo del fabricante asigna a cada voz un perfil de interpretación. Ara es cálida y amable, Eve es animada y tiene acento británico, y Rex se describe como clara y segura. En la familia documentada, la voz y el idioma son independientes: las voces integradas pueden utilizar cada una de las opciones de idioma compatibles. La guía enumera veinte opciones de código de idioma, incluidas variantes regionales, y también admite la detección automática del idioma. Además de las voces integradas, el fabricante documenta voces personalizadas reutilizables creadas a partir de una grabación de referencia y seleccionadas mediante voice_id para síntesis completa o en streaming. El audio de referencia puede durar hasta 120 segundos; se recomiendan entre 90 y 120 segundos de voz limpia de una sola persona para captar la interpretación y la entonación. Conserve por separado la referencia, el perfil de voz creado y la grabación generada, y adapte la interpretación de referencia al guion previsto.

Prepare la redacción definitiva que se va a pronunciar y conserve el idioma previsto de los nombres y los fragmentos citados. Para una guía narrada, una frase útil es: «Elige un tema, escucha la breve introducción y abre la sección que quieras explorar». Si una marca o un término especializado requiere una lectura concreta, los controles de sustitución del fabricante permiten indicar una escritura fonética o una pronunciación en AFI sin cambiar el texto original mostrado. Una opción independiente de normalización del texto convierte números escritos, abreviaturas y símbolos en formas más próximas a su expresión oral.

Indicaciones de interpretación

Las etiquetas insertadas sitúan un evento en un punto concreto, como una pausa, una risa, un suspiro o una respiración. Las etiquetas envolventes aplican una forma de interpretación a una frase completa, por ejemplo un susurro, un énfasis o un pasaje más lento. Coloque la indicación donde lo requiera el significado y mantenga las palabras legibles. La guía recomienda tramos de estilo que abarquen frases completas y el uso de puntuación, en lugar de acumular etiquetas sin relación entre sí.

Para una frase expresiva de un personaje, prepare conjuntamente la oración hablada y el cambio de interpretación. Para una explicación, mantenga un ritmo claro que ayude a seguir los pasos. El intervalo documentado de velocidad del habla va de 0.7 a 1.5, con 1.0 como interpretación normal. La velocidad elegida modifica el ritmo de la locución; no cambia las palabras que la aplicación debe comunicar.

Audio y marcas de tiempo

El fabricante documenta salidas MP3, WAV, PCM sin procesar, mu-law y A-law. Las frecuencias de muestreo compatibles van de 8 kHz a 48 kHz, con frecuencias concretas enumeradas entre ambos valores. La configuración MP3 predeterminada es de 24 kHz a 128 kbit/s. Utilice una representación de audio que pueda interpretar el reproductor, la fase de edición o la ruta telefónica previstos.

Las marcas de tiempo opcionales por carácter asocian la secuencia de caracteres devuelta con los tiempos de inicio y fin. Sin sustituciones de pronunciación, esa secuencia reproduce la entrada; las sustituciones pueden convertirla en el texto realmente hablado. Estas marcas permiten mostrar una lectura sincronizada, resaltar texto o alinearlo con una interpretación visual. En el flujo de respuesta completa, solicitar marcas de tiempo transforma la salida en una estructura que contiene el audio codificado y los datos temporales. Trate las marcas de tiempo y el audio como un resultado conjunto, especialmente cuando la normalización del texto convierte un símbolo escrito en varias palabras habladas.

Generación completa o en streaming

El fabricante ofrece una vía de solicitud completa y streaming bidireccional, en el que llegan fragmentos de texto y se devuelven bloques de audio a medida que se genera el enunciado. Documenta un límite de 60 000 caracteres para una solicitud completa y para cada fragmento individual de texto enviado en streaming. Completar o vaciar un enunciado cumple una función explícita en el flujo de streaming.

Para narraciones largas, elija límites entre pasajes coherentes y conserve el guion junto a cada resultado. Para la reproducción interactiva, distinga el texto enviado para síntesis del audio que el oyente ya ha escuchado. El entregable útil es un guion locutado con indicaciones de interpretación intencionadas, un formato de audio adecuado y datos temporales cuando la aplicación los necesite. Conserve con el audio el guion, la voz seleccionada, las indicaciones de interpretación y los ajustes de salida para que las revisiones posteriores mantengan la interpretación prevista.