SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funksjon. Produsenten dokumenterer uttrykksfulle innebygde talere, innebygde stemmesignaler og utdataformater egnet til medieavspilling eller telefonlyd. Inndata er teksten som skal sies, sammen med valg av stemme og språk. Det resulterende opptaket er tale fra denne teksten; talegjenkjenning og samtalemodeller for tale-til-tale har separate oppgaver.

Stemme, språk og taletekst

Produsentkatalogen gir hver stemme en fremføringsprofil. Ara er varm og vennlig, Eve er livlig med britisk aksent, og Rex beskrives som klar og selvsikker. Stemme og språk er uavhengige i den dokumenterte familien: innebygde talere kan bruke hvert støttet språkvalg. Veiledningen oppgir tjue språkkodealternativer, inkludert regionale varianter, og støtter også automatisk språkoppdagelse. Ved siden av innebygde talere dokumenterer produsenten gjenbrukbare tilpassede stemmer laget fra et referanseopptak og valgt med voice_id til fullstendig eller strømmet syntese. Referanselyden kan vare opptil 120 sekunder; 90–120 sekunder med ren tale fra én taler anbefales for å fange fremføring og intonasjon. Hold referansen, den opprettede stemmeprofilen og det genererte opptaket som separate resultater, og tilpass referansefremføringen til det tiltenkte manuset.

Forbered den endelige muntlige ordlyden og bevar det tiltenkte språket i navn og siterte avsnitt. Til en muntlig veiledning er en nyttig replikk: «Velg et emne, lytt til den korte innledningen og åpne avsnittet du vil utforske.» Hvis et merkenavn eller faguttrykk trenger en bestemt lesemåte, kan produsentens erstatningskontroller gi en alternativ stavemåte eller IPA-uttale uten å endre den viste kildeteksten. Et separat alternativ for tekstnormalisering omdanner skriftlige tall, forkortelser og symboler til en mer muntlig form.

Fremføringssignaler

Innebygde tagger plasserer en hendelse på et bestemt sted, for eksempel en pause, latter, et sukk eller et pust. Omsluttende tagger gir en fremføring til en hel frase, for eksempel hvisking, betoning eller et langsommere avsnitt. Plasser signalet der betydningen krever det og hold ordene lesbare. Veiledningen anbefaler stilmerking av fullstendige fraser og tegnsetting fremfor en stabel med urelaterte tagger.

Til en uttrykksfull karakterreplikk forbereder du den muntlige setningen og fremføringsskiftet sammen. Til en forklaring beholder du en tydelig rytme som hjelper lytteren å følge stegene. Det dokumenterte talehastighetsområdet er 0.7 til 1.5, med 1.0 som normal fremføring. Et hastighetsvalg endrer taletempoet; det endrer ikke ordene applikasjonen skal formidle.

Lyd og tidsangivelser

Produsenten dokumenterer utdata i MP3, WAV, rå PCM, mu-law og A-law. Støttede samplingsfrekvenser går fra 8 kHz til 48 kHz, med bestemte oppførte frekvenser mellom disse verdiene. Standardkonfigurasjonen for MP3 er 24 kHz ved 128 kbit/s. Bruk en lydrepresentasjon som den tiltenkte avspilleren, redigeringsfasen eller telefoniforbindelsen kan tolke.

Valgfrie tegntidsangivelser knytter den returnerte tegnsekvensen til start- og sluttider. Uten uttaleerstatninger speiler sekvensen inndataene; erstatninger kan endre den til taleteksten. De kan støtte en tekstvisning som følger opplesningen, utheving eller justering mot en visuell fremføring. I arbeidsflyten med fullstendig svar endrer forespørsel om tidsangivelser utdataene til en omsluttende struktur med kodet lyd og tidsdata. Behandle tidsangivelsene og lyden som et sammenkoblet resultat, særlig når tekstnormalisering utvider et skriftlig symbol til flere muntlige ord.

Fullstendig eller strømmet generering

Produsenten tilbyr en vei for fullstendige forespørsler og toveis strømming, der tekstfragmenter kommer inn og lyddeler returneres mens ytringen genereres. Den dokumenterer en grense på 60 000 tegn for en fullstendig forespørsel og for et enkelt strømmet tekstfragment. Fullføring eller tømming av en ytring har en eksplisitt rolle i strømmearbeidsflyten.

Til lengre fortellerinnhold velger du sammenhengende avsnittsgrenser og oppbevarer manuset med hvert resultat. Til interaktiv avspilling skiller du tekst sendt til syntese fra lyd lytteren allerede har hørt. Det nyttige resultatet er et innlest manus med bevisste fremføringssignaler, et passende lydformat og tidsdata når applikasjonen trenger det. Oppbevar manus, valgt stemme, fremføringssignaler og utdatainnstillinger sammen med lyden, slik at senere revisjoner bevarer den tiltenkte fremføringen.