SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech è la capacità testo-audio della famiglia vocale Grok. Il produttore documenta parlanti integrati espressivi, indicazioni vocali incorporate e formati di output adatti a riproduzione multimediale o audio telefonico. L’input è il testo da pronunciare insieme alle scelte di voce e lingua. La registrazione risultante è parlato da quel testo; riconoscimento del parlato e modelli conversazionali parlato-parlato hanno attività separate.

Voce, lingua e testo parlato

Il catalogo del produttore assegna a ogni voce un profilo di interpretazione. Ara è calda e amichevole, Eve è vivace con accento britannico e la voce Rex è descritta come chiara e sicura. Voce e lingua sono indipendenti nella famiglia documentata: i parlanti integrati possono usare ogni scelta linguistica supportata. La guida elenca venti opzioni di codici linguistici, incluse varianti regionali, e supporta inoltre il rilevamento automatico della lingua. Oltre ai parlanti integrati, il produttore documenta voci personalizzate riutilizzabili create da una registrazione di riferimento e selezionate tramite voice_id per sintesi completa o in streaming. L’audio di riferimento può durare fino a 120 secondi; sono raccomandati 90–120 secondi di parlato pulito con un solo parlante per catturare interpretazione e intonazione. Mantieni reference, profilo vocale creato e registrazione generata come artefatti separati e abbina l’interpretazione della reference al copione previsto.

Prepara la formulazione parlata definitiva preservando la lingua desiderata di nomi e passaggi citati. Per una guida narrata, una frase utile è: «Scegli un argomento, ascolta la breve introduzione e apri la sezione che vuoi esplorare». Se un nome di marca o termine specialistico richiede una lettura particolare, i controlli di sostituzione del produttore possono fornire una grafia fonetica o pronuncia IPA senza cambiare il testo di origine visualizzato. Un’opzione separata di normalizzazione del testo converte numeri scritti, abbreviazioni e simboli verso la forma parlata.

Indicazioni di interpretazione

Tag incorporati collocano un evento in un punto particolare, come una pausa, risata, sospiro o respiro. Tag che racchiudono il testo applicano un’interpretazione a una frase completa, per esempio sussurro, enfasi o un passaggio più lento. Metti l’indicazione dove lo richiede il significato e mantieni leggibili le parole. La guida raccomanda intervalli di stile estesi a frasi complete e punteggiatura anziché una pila di tag scollegati.

Per una frase espressiva di personaggio, prepara insieme la frase parlata e il cambio di interpretazione. Per una spiegazione, mantieni un ritmo chiaro che aiuti l’ascoltatore a seguire i passaggi. L’intervallo documentato della velocità del parlato è da 0.7 a 1.5, con 1.0 come interpretazione normale. Una scelta di velocità cambia il ritmo parlato; non cambia le parole che l’applicazione dovrebbe comunicare.

Audio e temporizzazione

Il produttore documenta output MP3, WAV, PCM grezzo, mu-law e A-law. Le frequenze di campionamento supportate vanno da 8 kHz a 48 kHz, con frequenze specifiche elencate tra questi valori. La configurazione MP3 predefinita è 24 kHz a 128 kbit/s. Usa una rappresentazione audio che il lettore, la fase di montaggio o il percorso telefonico previsto possa interpretare.

La temporizzazione facoltativa dei caratteri associa la sequenza di caratteri restituita a tempi di inizio e fine. Senza sostituzioni di pronuncia, quella sequenza rispecchia l’input; le sostituzioni possono cambiarla nel testo parlato. Può supportare un display che accompagna la lettura, evidenziazione o allineamento con una performance visiva. Nel flusso a risposta completa, richiedere la temporizzazione trasforma l’output in un involucro contenente audio codificato e dati temporali. Tratta temporizzazione e audio come un risultato abbinato, soprattutto quando la normalizzazione del testo espande un simbolo scritto in più parole parlate.

Generazione completa o in streaming

Il produttore offre un percorso a richiesta completa e streaming bidirezionale, in cui arrivano frammenti testuali e ritornano segmenti audio mentre viene generato l’enunciato. Documenta un limite di 60.000 caratteri per una richiesta completa e per un singolo frammento testuale in streaming. Completare o cancellare un enunciato ha un ruolo esplicito nel flusso in streaming.

Per una narrazione più lunga, scegli confini coerenti dei passaggi e conserva il copione con ogni risultato. Per la riproduzione interattiva, distingui testo inviato alla sintesi da audio già udito dall’ascoltatore. Il risultato utile è un copione reso in voce con indicazioni di interpretazione intenzionali, un formato audio appropriato e dati temporali quando l’applicazione ne ha bisogno. Mantieni copione, voce selezionata, indicazioni di interpretazione e impostazioni di output insieme all’audio, affinché revisioni successive preservino la resa prevista.