Canopy Labs: Orpheus 3B

Orpheus 3B 0.1 Fine-Tuned est le modèle anglais de synthèse vocale de Canopy Labs pour la synthèse courante. Il appartient à la famille Orpheus construite sur une architecture Llama 3B et se concentre sur l’intonation naturelle, le rythme et l’interprétation expressive. L’entrée est le texte à prononcer avec un locuteur choisi ; la sortie est de l’audio parlé. Le fabricant répertorie aussi le clonage vocal zero-shot pour ce modèle ajusté exact. Son exemple publié de synthèse ajustée utilise des locuteurs prédéfinis, tandis que le guidage texte–parole conditionné par une référence est documenté séparément pour l’édition préentraînée. Cette édition ajustée est distincte du modèle préentraîné et des modèles de recherche multilingues publiés séparément.

Choisir un locuteur et préparer la phrase

Le fabricant répertorie huit voix anglaises prédéfinies : tara, leah, jess, leo, dan, mia, zac et zoe. Sa convention de prompt place le nom du locuteur avant le texte parlé, séparé par deux-points. Le processus de référence de génération vocale peut ajouter cette mise en forme lorsque la voix est fournie séparément. Choisissez un locuteur pour le contenu visé et gardez ce choix cohérent entre les passages reliés.

Pour une courte explication, rédigez la narration définitive, plutôt qu’une instruction demandant au modèle d’inventer l’explication. Une phrase parlée utile est : « Choose the folder you want to share, check who can open it, and save the changes. » Pour un dialogue, préparez explicitement la phrase de chaque locuteur et conservez la ponctuation qui aide l’interprétation. Une abréviation, une date ou un nom de produit doivent être écrits sous la forme que vous voulez faire entendre à l’auditeur, particulièrement lorsque leur raccourci écrit serait ambigu.

Indices expressifs et non verbaux

Orpheus documente les balises <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> et <gasp>. Elles donnent au texte un événement non verbal explicite à l’endroit pertinent. Un court passage conversationnel peut placer un rire léger avant une remarque légère ou un soupir avant une phrase réflexive. Utilisez l’indice là où il appartient à l’interprétation et gardez clairs les mots réels de la phrase.

Ce sont des indices de génération vocale, plutôt qu’un langage général d’instructions pour modifier un enregistrement existant. Pour une voix off, commencez par un texte lisible et ajoutez seulement les événements expressifs nécessaires à la scène. Écoutez la phrase complète pour juger si l’événement, l’accentuation et le rythme soutiennent le sens. Une tâche de narration peut nécessiter une voix régulière, tandis qu’une phrase de personnage peut bénéficier d’un indice non verbal précis.

Streaming et résultat audio

Le fabricant fournit un notebook sans streaming et un exemple de parole en streaming. Le streaming renvoie des segments audio successifs à mesure que le passage est généré. Dans l’exemple publié, ces segments sont écrits dans un fichier WAV mono à 24 000 Hz avec des échantillons de 16 bits. Ces réglages de fichier décrivent le processus de référence ; le résultat utile est un enregistrement lisible dont les mots, le locuteur et l’interprétation peuvent être vérifiés au regard du script.

Pour une narration plus longue, préparez des passages cohérents avec des limites de phrases claires et gardez une copie du script définitif avec l’audio. Vérifiez le début et la fin de chaque passage, la prononciation des noms importants et la transition entre les enregistrements adjacents. Les recommandations d’échantillonnage du fabricant spécifient une pénalité de répétition d’au moins 1.1 pour une génération stable dans son implémentation de référence et précisent que les choix d’échantillonnage peuvent influer sur la vitesse de parole. La longueur de modèle configurée de l’exemple est un réglage d’inférence, plutôt qu’une durée maximale de narration établie.

Limites entre éditions

Ce profil concerne le modèle anglais ajusté avec ses locuteurs prédéfinis documentés. Le modèle préentraîné possède son propre processus de conditionnement par texte et parole ; les publications multilingues ont des locuteurs et des balises propres aux langues. Sélectionner cette édition anglaise ne combine pas ces profils distincts. Un livrable concret est un script parlé, une voix prédéfinie choisie intentionnellement et de l’audio vérifié pour la formulation et l’interprétation requises par le contenu.