Canopy Labs: Orpheus 3B

Orpheus 3B 0.1 Fine-Tuned è il modello inglese di sintesi vocale di Canopy Labs per la sintesi d’uso corrente. Appartiene alla famiglia Orpheus costruita su un’architettura Llama 3B e si concentra su intonazione naturale, ritmo e interpretazione espressiva. L’input è il testo da pronunciare con un parlante selezionato; l’output è audio parlato. Il produttore elenca inoltre la clonazione vocale zero-shot per questo esatto modello adattato con fine-tuning. L’esempio pubblicato di sintesi del modello adattato usa parlanti preimpostati, mentre il prompting testo–parlato condizionato da una reference è documentato separatamente per l’edizione preaddestrata. Questa edizione adattata è distinta dal modello preaddestrato e dai modelli di ricerca multilingue rilasciati separatamente.

Scegliere un parlante e preparare la frase

Il produttore elenca otto voci inglesi preimpostate: tara, leah, jess, leo, dan, mia, zac e zoe. La convenzione del prompt pone il nome del parlante prima del testo parlato, separato da due punti. Il flusso di riferimento per la generazione vocale può aggiungere quella formattazione quando la voce viene fornita separatamente. Seleziona un parlante per il contenuto previsto e mantieni coerente la scelta tra passaggi collegati.

Per una breve spiegazione, scrivi la narrazione definitiva anziché un’istruzione che chieda al modello di inventare la spiegazione. Una frase parlata utile è: «Choose the folder you want to share, check who can open it, and save the changes.» Per un dialogo, prepara esplicitamente la frase di ogni parlante e conserva la punteggiatura che aiuta l’interpretazione. Un’abbreviazione, una data o un nome di prodotto dovrebbero essere scritti nella forma che vuoi far sentire all’ascoltatore, soprattutto quando la forma abbreviata scritta sarebbe ambigua.

Indizi espressivi e non verbali

Orpheus documenta i tag <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> e <gasp>. Danno al testo un evento non verbale esplicito nel punto pertinente. Un breve passaggio conversazionale può collocare una risatina prima di una battuta leggera o un sospiro prima di una frase riflessiva. Usa l’indizio dove appartiene all’interpretazione e mantieni chiare le parole effettive della frase.

Sono indicazioni per generare parlato, non un linguaggio generale di istruzioni per modificare una registrazione esistente. Per una voce fuori campo, parti da un testo leggibile e aggiungi soltanto gli eventi espressivi necessari alla scena. Ascolta la frase completa per giudicare se evento, enfasi e ritmo supportano il significato. Un’attività di narrazione può richiedere una voce regolare, mentre una frase di personaggio può beneficiare di un indizio non verbale specifico.

Streaming e risultato audio

Il produttore fornisce sia un notebook senza streaming sia un esempio di parlato in streaming. Lo streaming restituisce segmenti audio successivi mentre viene generato il passaggio. Nell’esempio pubblicato, quei segmenti vengono scritti in un file WAV mono a 24.000 Hz con campioni a 16 bit. Queste impostazioni di file descrivono il flusso di riferimento; il risultato utile è una registrazione riproducibile le cui parole, parlante e interpretazione possano essere verificati rispetto al copione.

Per una narrazione più lunga, prepara passaggi coerenti con confini di frase chiari e mantieni una copia del copione definitivo accanto all’audio. Verifica inizio e fine di ogni passaggio, pronuncia dei nomi importanti e transizione tra registrazioni adiacenti. Le indicazioni di campionamento del produttore specificano una penalità di ripetizione di almeno 1.1 per generazione stabile nell’implementazione di riferimento e osservano che le scelte di campionamento possono influire sulla velocità del parlato. La lunghezza del modello configurata nell’esempio è un’impostazione di inferenza, non una durata massima di narrazione stabilita.

Confini tra edizioni

Questo profilo riguarda il modello inglese adattato con fine-tuning e i suoi parlanti preimpostati documentati. Il modello preaddestrato ha un proprio flusso di condizionamento testo-parlato; le release multilingue hanno parlanti e tag specifici della lingua. Selezionare questa edizione inglese non combina quei profili separati. Un risultato concreto è un copione parlato, una voce preimpostata scelta intenzionalmente e audio verificato per la formulazione e l’interpretazione richieste dal contenuto.