Deepgram: Aura-2

Aura-2 to rodzina modeli zamiany tekstu na mowę Deepgram z głosami w siedmiu językach: angielskim, hiszpańskim, niemieckim, francuskim, niderlandzkim, włoskim i japońskim. Zamienia dostarczony tekst na mowę do odpowiedzi obsługi klienta, menu telefonicznych, objaśnień i narracji. Producent opisuje tempo, ekspresję i konwersacyjne wypełniacze jako reakcje na sformułowania oraz kontekst dostarczonego tekstu.

Dobierz głos do języka i zadania

Każdy głos jest identyfikowany przez rodzinę, mówcę i język. Katalog rozróżnia akcenty i cechy wypowiedzi, zamiast traktować wszystkich mówców zamiennie. Thalia to energiczna opcja amerykańskiego angielskiego; Draco to brytyjski głos kojarzony z opowiadaniem historii; Celeste to kolumbijski głos hiszpański kojarzony z rozmowami i ogłoszeniami. Dobieraj głos z uwzględnieniem rzeczywistego scenariusza i słuchacza.

Wybrane głosy hiszpańskie obsługują przełączanie między angielskim i hiszpańskim: Aquila, Carina, Diana, Javier i Selena. Ta możliwość dotyczy wskazanych mówców, a nie wszystkich głosów w rodzinie. W mieszanym językowo fragmencie zachowaj zamierzony język nazw produktów i cytowanych zwrotów oraz odsłuchaj przejście z mówcą, którego udokumentowany profil obsługuje takie zadanie.

Przygotuj tekst do odczytania

Przewodnik formatowania Aura-2 zaleca interpunkcję kończącą zdania, znaki zapytania w pytaniach, przecinki dla naturalnych pauz i krótkie samodzielne frazy. Podawaj końcowy tekst do wypowiedzenia, a nie instrukcję proszącą syntezator o napisanie wiadomości. Przydatny scenariusz wprowadzający brzmi: „Witamy. Wybierz język, a następnie potrzebny temat. Możesz powtórzyć instrukcje w dowolnym momencie”. Interpunkcja rozdziela działania słuchacza i daje modelowi wyraźniejszy rytm.

Zapisz identyfikator jako osobne litery, jeśli ma zostać odczytany znak po znaku. Objaśniaj akronimy i unikaj długich zdań bez podziału, gdy trzeba wyjaśnić kilka warunków. Producent zaleca też ujmowanie słów poleceń w cudzysłowy i przeczytanie fragmentu na głos przed syntezą. W narracji edukacyjnej lub produktowej zachowaj ważne terminy, przekształcając pisemne nagłówki i gęste listy w pełne frazy mówione.

Tempo i wymowa

Producent dokumentuje sterowanie szybkością i wymową IPA dla angielskiego i hiszpańskiego. Zakres tempa Aura-2 wynosi od 0.7 do 1.5; dla hiszpańskiego zaleca od 0.9 do 1.5, ponieważ wolniejsze ustawienia mogą powodować niepłynność. W tej rodzinie można łączyć wymowę i szybkość. Nadpisania IPA mogą wskazywać specjalistyczną nazwę lub termin, a konwencja Aura-2 umieszcza znak akcentu bezpośrednio przed samogłoską.

Specyfikacja sterowania wymową dopuszcza do pięciuset nadpisań, każde z ciągiem IPA nie dłuższym niż 128 znaków, oraz dokumentuje limit 2000 znaków tekstu wejściowego dla tego procesu. Aura-2 nie obsługuje jawnego sterowania pauzami opisanego dla Flux TTS. Przygotuj rytm za pomocą struktury zdań i interpunkcji oraz dziel dłuższy materiał na spójne fragmenty, gdy wymaga tego wybrany proces.

Dostarczanie audio i zastosowanie

Producent udostępnia syntezę kompletnego żądania i strumieniowe procesy zamiany tekstu na audio. Przewodnik mediów rozróżnia surowe strumieniowe PCM, mu-law i A-law oraz opcje plikowe, takie jak WAV, MP3, Opus, FLAC i AAC. Udokumentowana wartość domyślna PCM/WAV dla procesu żądań Aura to 24 kHz. Kontenery plikowe, częstotliwości próbkowania i kodowania tworzą dopuszczalne kombinacje; połączenie telefoniczne i plik narracji do pobrania mogą wymagać innych wyborów.

Aura-2 pozostaje odrębną rodziną od Aura pierwszej generacji i Flux TTS. Stan Flux między turami, informacja zwrotna o przerwaniu i sterowanie pauzami tylko w trybie wsadowym nie są cechami, które można wywnioskować z nazwy głosu Aura-2. Użytecznym wyjściem jest mówiona wersja rzeczywistego scenariusza w odpowiednim języku, akcencie i reprezentacji audio. Przed ponownym użyciem nagrania oceń z perspektywy docelowego słuchacza nazwy, przełączanie języków, tempo wyznaczone interpunkcją i ważne instrukcje.