Deepgram: Aura-2

Aura-2 er Deepgrams tekst-til-tale-familie med stemmer på sju språk: engelsk, spansk, tysk, fransk, nederlandsk, italiensk og japansk. Den gjør oppgitt tekst om til tale for kundeservicesvar, telefonmenyer, forklaringer og fortelleropptak. Produsenten beskriver tempo, uttrykksfullhet og samtalefyllord som responser på ordlyden og konteksten i den oppgitte teksten.

Tilpass stemmen til språk og oppgave

Hver stemme identifiseres med familie, taler og språk. Katalogen skiller mellom aksenter og fremføringskjennetegn i stedet for å behandle alle talere som om de kan brukes om hverandre. Thalia er et energisk alternativ på amerikansk engelsk; Draco er en britisk stemme knyttet til historiefortelling; Celeste er en colombiansk spansk stemme knyttet til samtaler og kunngjøringer. Velg stemmen med det faktiske manuset og lytteren i tankene.

Utvalgte spanske stemmer støtter kodeveksling mellom engelsk og spansk: Aquila, Carina, Diana, Javier og Selena. Denne egenskapen tilhører de navngitte talerne, ikke alle stemmene i familien. I et avsnitt med blandede språk bevarer du det tiltenkte språket i produktnavn og siterte uttrykk, og lytter til overgangen med en taler som har en dokumentert profil som støtter oppgaven.

Forbered tekst for tale

Aura-2s formateringsveiledning anbefaler tegnsetting ved setningsslutt, spørsmålstegn ved spørsmål, kommaer for naturlige pauser og korte, selvstendige fraser. Oppgi den endelige taleteksten, ikke en instruksjon som ber syntetisatoren skrive meldingen. Et nyttig orienteringsmanus er: «Velkommen. Velg et språk, og velg deretter emnet du trenger. Du kan gjenta instruksjonene når som helst.» Tegnsettingen skiller lytterens handlinger og gir modellen en tydeligere rytme.

Skriv en identifikator som separate bokstaver når den skal leses tegn for tegn. Definer akronymer og unngå én lang, sammenhengende setning når flere betingelser må forklares. Produsenten anbefaler også å sette kommandoord i anførselstegn og lese et avsnitt høyt før syntese. Til undervisnings- eller produktfortelleropptak bevarer du viktige uttrykk mens skriftlige overskrifter og tette lister gjøres om til fullstendige muntlige fraser.

Tempo og uttale

Produsenten dokumenterer kontroller for hastighet og IPA-uttale på engelsk og spansk. Aura-2s talehastighet går fra 0.7 til 1.5; for spansk anbefales 0.9 til 1.5 fordi langsommere innstillinger kan introdusere talebrudd. Uttale og hastighet kan kombineres i denne familien. IPA-overstyringer kan rette seg mot et fagspesifikt navn eller uttrykk, og Aura-2-konvensjonen plasserer trykkmarkøren rett foran vokalen.

Spesifikasjonen for uttalekontroll tillater opptil fem hundre overstyringer, med hver IPA-streng på høyst 128 tegn, og dokumenterer en grense på 2 000 tegn i inndatateksten for denne arbeidsflyten. Aura-2 støtter ikke den eksplisitte pausekontrollen som er dokumentert for Flux TTS. Bruk setningsstruktur og tegnsetting til å forberede rytmen, og del lengre materiale i sammenhengende avsnitt når den valgte arbeidsflyten krever det.

Lydlevering og bruk

Produsenten tilbyr syntese av hele forespørsler og arbeidsflyter for strømming fra tekst til lyd. Medieveiledningen skiller rå strømmet PCM, mu-law og A-law fra filorienterte utdata som WAV, MP3, Opus, FLAC og AAC. Dokumentert PCM/WAV-standard for Aura-forespørsler er 24 kHz. Filcontainere, samplingsfrekvenser og kodinger danner gyldige kombinasjoner; en telefonforbindelse og en nedlastbar fortellerfil kan kreve forskjellige valg.

Aura-2 er fortsatt en egen familie, adskilt fra førstegenerasjons Aura og fra Flux TTS. Flux’ tilstand mellom samtaleturer, tilbakemelding ved avbrudd og pausekontroller som bare gjelder satsvis syntese, er ikke funksjoner man kan utlede fra et Aura-2-stemmenavn. Det nyttige resultatet er en muntlig versjon av det faktiske manuset på passende språk, med passende aksent og lydrepresentasjon. Gjennomgå navn, språkvekslinger, tegnsettingsstyrt tempo og viktige instruksjoner med den tiltenkte lytteren før opptaket gjenbrukes.