Deepgram: Aura-2

Az Aura-2 a Deepgram szövegfelolvasó családja, amely hét nyelven kínál hangokat: angolul, spanyolul, németül, franciául, hollandul, olaszul és japánul. A megadott szöveget ügyfélszolgálati válaszokhoz, telefonos menükhöz, magyarázatokhoz és narrációhoz alakítja beszéddé. A gyártó a tempót, a kifejezőerőt és a társalgási töltelékszavakat a megadott szöveg megfogalmazására és kontextusára adott reakcióként írja le.

Igazítsd a hangot a nyelvhez és a feladathoz

Minden hangot a család, a beszélő és a nyelv azonosít. A katalógus megkülönbözteti az akcentusokat és az előadás jellemzőit, nem tekinti felcserélhetőnek az összes beszélőt. Thalia energikus amerikai angol lehetőség; Draco meséléshez társított brit hang; Celeste társalgáshoz és közleményekhez társított kolumbiai spanyol hang. A tényleges szöveg és a hallgató figyelembevételével válassz.

Egyes spanyol hangok támogatják az angol–spanyol nyelvváltást: Aquila, Carina, Diana, Javier és Selena. Ez a képesség ezekhez a megnevezett beszélőkhöz tartozik, nem a család minden hangjához. Vegyes nyelvű részletnél őrizd meg a terméknevek és idézett fordulatok kívánt nyelvét, és olyan beszélővel hallgasd meg az átmenetet, akinek dokumentált jellemzői támogatják a feladatot.

Készítsd elő a szöveget beszédhez

Az Aura-2 formázási útmutatója mondatzáró írásjeleket, kérdéseknél kérdőjelet, természetes szünetekhez vesszőt, valamint rövid, önálló fordulatokat javasol. A végleges kimondandó szöveget add meg, ne azt az utasítást, hogy a szintetizátor írja meg az üzenetet. Egy hasznos eligazító szöveg: „Üdvözlünk. Válassz nyelvet, majd jelöld ki a keresett témát. Az utasításokat bármikor megismételheted.” Az írásjelek elválasztják a hallgató teendőit, és világosabb ritmust adnak a modellnek.

Egy azonosítót külön betűkkel írj le, ha karakterenként kell felolvasni. Határozd meg a betűszavak jelentését, és több feltétel magyarázatánál kerüld a hosszú, tagolatlan mondatot. A gyártó az utasításszavak idézőjelezését és a részlet szintézis előtti hangos ellenőrzését is javasolja. Oktatási vagy terméknarrációhoz tartsd meg a fontos kifejezéseket, de az írott címsorokat és sűrű felsorolásokat alakítsd teljes, elmondható fordulatokká.

Tempó és kiejtés

A gyártó angol és spanyol nyelvhez dokumentál sebesség- és IPA-kiejtésvezérlést. Az Aura-2 beszédsebesség-tartománya 0.7–1.5; spanyolhoz 0.9–1.5-öt ajánl, mert a lassabb beállítások folyamatossági hibákat okozhatnak. Ebben a családban a kiejtés és sebesség kombinálható. Az IPA-felülírások szaknevet vagy szakkifejezést célozhatnak, és az Aura-2 jelölése a hangsúlyjelet közvetlenül a magánhangzó elé helyezi.

A kiejtésvezérlési specifikáció legfeljebb ötszáz felülírást enged, minden IPA-karakterlánc legfeljebb 128 karakteres lehet, és ehhez a munkafolyamathoz 2000 karakteres bemeneti szövegkorlátot dokumentál. Az Aura-2 nem támogatja a Flux TTS-nél dokumentált explicit szünetvezérlési funkciót. Mondatszerkezettel és írásjelekkel készítsd elő a ritmust, és ha a választott munkafolyamat megkívánja, hosszabb anyagot összefüggő részletekre ossz.

Hangátadás és felhasználás

A gyártó teljes kéréses szintézist és streamelt szöveg–hang munkafolyamatot biztosít. Médiaútmutatója megkülönbözteti a nyers streamelt PCM-et, mu-law-t és A-law-t a fájlorientált kimenetektől, például WAV, MP3, Opus, FLAC és AAC. Az Aura kérési munkafolyamat dokumentált PCM/WAV-alapértéke 24 kHz. A fájlkonténerek, mintavételi frekvenciák és kódolások érvényes kombinációkat alkotnak; egy telefonkapcsolat és egy letölthető narrációs fájl eltérő választást igényelhet.

Az Aura-2 külön család marad az első generációs Aurától és a Flux TTS-től. A Flux fordulók közötti állapota, megszakítási visszajelzése és kizárólag kötegelt szünetvezérlése nem következik egy Aura-2 hang nevéből. A hasznos kimenet a tényleges szöveg elmondott változata, megfelelő nyelven, akcentussal és hangábrázolással. A felvétel újrahasználata előtt a célközönséghez tartozó hallgatóval együtt ellenőrizd a neveket, nyelvváltásokat, az írásjelek vezette tempót és a fontos utasításokat.