Deepgram: Flux TTS

Flux TTS er Deepgrams tekst-til-tale-familie for direkte samtaler og ferdigskrevet muntlig innhold. Det definerende kjennetegnet er samtalekontinuitet: strømmemodellen viderefører prosodi mellom samtaleturer, slik at fremføringen kan beholde en konsistent tone mens interaksjonen fortsetter. Den tar imot skriftlig tekst og returnerer talelyd. Flux TTS og den separat navngitte talegjenkjenningsmodellen Flux utfører forskjellige deler av en talesamtale.

Velg en engelsk stemme

Den dokumenterte Flux-katalogen snakker engelsk med amerikanske, britiske, irske, australske, indiske, singaporske og filippinske aksenter. Stemmebeskrivelser hjelper deg å velge en taler til kundeservice, telefonmenyer, fortelleropptak eller uformelle samtaler. Produsenten oppgir for eksempel Haley som en rolig amerikansk stemme og Jack som en profesjonell britisk stemme. Velg stemme ut fra publikum og typen tekst som skal leses, og behold den gjennom opptaket eller samtalen. Tale på andre språk tilhører et separat dokumentert modellvalg.

Direkte samtaleturer og avbrytelser

I produsentens strømmearbeidsflyt kan tekst komme inn mens applikasjonen skriver et svar, og lyden returneres fortløpende. En samtaletur har egne start- og fullføringshendelser; avslutning av turen fullfører gjenværende syntese. Kontekst mellom samtaleturer bevarer prosodi innenfor økten. Dette er nyttig for en taleassistent som først forklarer et valg og deretter svarer på et oppklarende spørsmål uten å endre stemmens særpreg.

En avbrytelse kansellerer den aktive samtaleturen og returnerer den uttalte delen og teksten som gjenstår. Skillet hjelper applikasjonen å fortsette fra det lytteren faktisk hørte. For en praktisk interaksjon forbereder du et kort svar med den viktige instruksjonen først, fulgt av forklaringen. Hvis lytteren avbryter etter den første instruksjonen, kan neste svar ta opp det nye spørsmålet i stedet for å anta at hele forklaringen ble levert.

Ferdige lydopptak og utdataformater

Satsvis syntese tar en fullstendig tekstblokk og returnerer lyden i ett svar. Den bruker samme stemmekatalog som strømming og passer til innspilte telefonmeldinger, varsler eller fortelleropptak forberedt på forhånd. Satsvise forespørsler er uavhengige; tilstand fra strømmede samtaleturer og avbruddshendelser gjelder ikke for et ferdig klipp.

Strømmede utdata er rå lyd uten filcontainer: 16-bits PCM, mu-law eller A-law. Produsenten dokumenterer PCM-samplingsfrekvenser på 8, 16, 24, 32, 44.1 og 48 kHz; mu-law og A-law bruker 8 eller 16 kHz. Satsvise utdata støtter i tillegg MP3, Opus, FLAC og AAC. Velg en koding og container som den tiltenkte avspilleren eller telefoniforbindelsen kan tolke, i stedet for å behandle en strøm av rå lydprøver som en vanlig lydfil.

Kontroller for fremføring og grenser

Produsenten dokumenterer et talehastighetsområde fra 0.5 til 1.5 i trinn på 0.05. Hastighetsendringer ved strømming gjelder ved en segmentgrense. En separat betakontroll for uttrykksfullhet endrer fremføringen fra rolig til livlig. Vanlig SSML og gjenkjente konkurrenttagger fjernes i stedet for å brukes som uttrykksinstruksjoner; Flux’ egne kontroller har sin egen betydning.

Innebygde pauser tilhører satsvis syntese, med varigheter på 500–3 000 ms i trinn på 100 ms og høyst åtte markører per forespørsel. Tekst må skille pauser som står etter hverandre, og hastigheten begrenses til 1.15 når en pause er til stede. Uttaleoverstyringer bruker IPA og er i Early Access; produsenten påpeker at en ønsket uttale kan variere mellom genereringer. Uttale kan ikke kombineres med en annen hastighet enn standard eller med pausekontroller. Lytt til fagspesifikke navn med den valgte stemmen og hold den muntlige ordlyden eksplisitt.

Deepgrams dokumenterte strømmeøkt varer opptil én time og lukkes etter seksti sekunder uten en innkommende melding, med mindre den holdes aktiv med den støttede forbindelsesmekanismen. Disse øktgrensene gjelder arbeidsflyten for direkte syntese. Et nyttig resultat er et bevisst stemmevalg, lyttervennlig tekst og lyd tilpasset bruksstedet, mens direkteapplikasjoner sporer hva som faktisk ble sagt når en samtaletur avbrytes.