SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech est la capacité texte-audio de la famille vocale Grok. Le fabricant documente des locuteurs intégrés expressifs, des indices vocaux intégrés au texte et des formats de sortie adaptés à la lecture de médias ou à l’audio téléphonique. Son entrée est le texte à prononcer, avec les choix de voix et de langue. L’enregistrement obtenu est la parole issue de ce texte ; la reconnaissance vocale et les modèles conversationnels de parole-à-parole remplissent des tâches distinctes.

Voix, langue et texte parlé

Le catalogue du producteur donne à chaque voix un profil d’interprétation. Ara est chaleureuse et amicale, Eve est enjouée avec un accent britannique et la voix Rex est décrite comme claire et assurée. La voix et la langue sont indépendantes dans la famille documentée : les locuteurs intégrés peuvent utiliser chaque choix linguistique pris en charge. Le guide répertorie vingt options de codes de langue, dont des variantes régionales, et prend aussi en charge la détection automatique de langue. En plus des locuteurs intégrés, le producteur documente des voix personnalisées réutilisables créées à partir d’un enregistrement de référence et choisies par voice_id pour la synthèse complète ou en streaming. L’audio de référence peut atteindre 120 secondes ; 90 à 120 secondes de parole propre à un seul locuteur sont recommandées pour capturer l’interprétation et l’intonation. Gardez la référence, le profil vocal créé et l’enregistrement généré comme des artefacts distincts et adaptez l’interprétation de référence au script visé.

Préparez la formulation parlée définitive en préservant la langue visée des noms et des passages cités. Pour un guide narré, une phrase utile est : « Choisissez un sujet, écoutez la courte introduction et ouvrez la section que vous voulez explorer. » Si un nom de marque ou un terme spécialisé nécessite une lecture particulière, les commandes de remplacement du fabricant peuvent fournir une graphie phonétique ou une prononciation IPA sans modifier le texte source affiché. Une option distincte de normalisation textuelle convertit les nombres, les abréviations et les symboles écrits vers leur forme parlée.

Indices d’interprétation

Les balises intégrées placent un événement à un point précis, tel qu’une pause, un rire, un soupir ou une respiration. Les balises encadrantes appliquent une interprétation à une phrase complète, par exemple le chuchotement, l’accentuation ou un passage plus lent. Placez l’indice là où le sens l’exige et gardez les mots lisibles. Le guide recommande des plages de style couvrant des phrases complètes et de la ponctuation, plutôt qu’un empilement de balises sans rapport.

Pour une phrase de personnage expressive, préparez ensemble la phrase parlée et le changement d’interprétation. Pour une explication, conservez un rythme clair aidant l’auditeur à suivre les étapes. La plage documentée de débit vocal va de 0.7 à 1.5, avec 1.0 pour une interprétation normale. Un choix de vitesse modifie le rythme parlé ; il ne change pas les mots que l’application doit communiquer.

Audio et horodatages

Le producteur documente des sorties MP3, WAV, PCM brut, mu-law et A-law. Les choix de fréquence d’échantillonnage pris en charge vont de 8 kHz à 48 kHz, avec des fréquences précises répertoriées entre ces valeurs. Sa configuration MP3 par défaut est de 24 kHz à 128 kbit/s. Utilisez une représentation audio que le lecteur, l’étape de montage ou la voie téléphonique visés peuvent interpréter.

Les horodatages facultatifs des caractères associent la séquence de caractères renvoyée à des temps de début et de fin. Sans remplacement de prononciation, cette séquence reflète l’entrée ; les remplacements peuvent la modifier pour obtenir le texte parlé. Ils peuvent servir à un affichage accompagnant la lecture, à la mise en évidence ou à l’alignement avec une interprétation visuelle. Dans le processus de réponse complète, demander les horodatages transforme la sortie en une enveloppe contenant l’audio encodé et les données temporelles. Traitez les horodatages et l’audio comme un résultat associé, particulièrement lorsque la normalisation textuelle développe un symbole écrit en plusieurs mots parlés.

Génération complète ou en streaming

Le fabricant propose une voie de requête complète et un streaming bidirectionnel dans lequel des fragments textuels arrivent et des segments audio reviennent à mesure que l’énoncé est généré. Il documente une limite de 60 000 caractères pour une requête complète et pour un fragment textuel individuel en streaming. Terminer ou effacer un énoncé possède un rôle explicite dans le processus de streaming.

Pour une narration plus longue, choisissez des limites de passages cohérentes et conservez le script avec chaque résultat. Pour la lecture interactive, distinguez le texte envoyé à la synthèse de l’audio déjà entendu par l’auditeur. Le livrable utile est un script mis en voix avec des indices intentionnels d’interprétation, un format audio adapté et des données temporelles lorsque l’application en a besoin. Gardez le script, la voix choisie, les indices d’interprétation et les réglages de sortie avec l’audio afin que les révisions ultérieures préservent l’interprétation visée.