Deepgram: Aura-2

Aura-2 é a família da Deepgram de conversão de texto em fala, com vozes em sete idiomas: inglês, espanhol, alemão, francês, neerlandês, italiano e japonês. Converte o texto fornecido em fala para respostas de atendimento ao cliente, menus telefónicos, explicações e narrações. O fabricante descreve o ritmo, a expressividade e as expressões de preenchimento conversacional como respostas à redação e ao contexto do texto fornecido.

Adequar a voz ao idioma e à tarefa

Cada voz é identificada pela família, pelo locutor e pelo idioma. O catálogo distingue sotaques e características de elocução, em vez de tratar todos os locutores como intercambiáveis. Thalia é uma opção enérgica em inglês americano; Draco é uma voz britânica associada à narração de histórias; Celeste é uma voz em espanhol colombiano associada a conversas e anúncios. Escolha a voz tendo em conta o guião efetivo e o ouvinte.

Algumas vozes espanholas suportam alternância entre inglês e espanhol: Aquila, Carina, Diana, Javier e Selena. Esta capacidade pertence a essas vozes explicitamente identificadas, e não a todas as vozes da família. Num trecho com vários idiomas, preserve o idioma pretendido dos nomes de produtos e das frases citadas e ouça a transição com uma voz cujo perfil documentado suporte a tarefa.

Preparar o texto para fala

O guia de formatação do Aura-2 recomenda pontuação no fim das frases, pontos de interrogação nas perguntas, vírgulas para pausas naturais e frases curtas e autónomas. Forneça o texto final que deve ser pronunciado, e não uma instrução a pedir ao sintetizador que escreva a mensagem. Um guião útil de orientação é: «Welcome. Choose a language, then select the topic you need. You can repeat the instructions at any time.» A pontuação separa as ações do ouvinte e fornece ao modelo um ritmo mais claro.

Escreva um identificador em letras separadas quando tiver de ser lido caráter a caráter. Explique as siglas e evite uma frase longa sem divisões quando precisar de expor várias condições. O fabricante recomenda também colocar entre aspas as palavras de comando e ler um trecho em voz alta antes da síntese. Numa narração educativa ou sobre produtos, mantenha os termos importantes enquanto transforma títulos escritos e listas densas em frases faladas completas.

Ritmo e pronúncia

O fabricante documenta controlos de velocidade e de pronúncia IPA para inglês e espanhol. O intervalo de velocidade de fala do Aura-2 é de 0.7 a 1.5; para espanhol, recomenda de 0.9 a 1.5, porque definições mais lentas podem introduzir disfluências. A pronúncia e a velocidade podem ser combinadas nesta família. As substituições IPA podem visar um nome ou termo especializado, e a convenção do Aura-2 coloca o marcador de acento diretamente antes da vogal.

A especificação do controlo de pronúncia permite até quinhentas substituições, com cada cadeia IPA limitada a 128 caracteres, e documenta um limite de 2 000 caracteres para o texto de entrada nesse fluxo de trabalho. O Aura-2 não suporta a funcionalidade de controlo explícito de pausas documentada para Flux TTS. Use a estrutura das frases e a pontuação para preparar o ritmo e divida materiais mais longos em trechos coerentes quando o fluxo de trabalho escolhido o exigir.

Entrega e utilização do áudio

O fabricante disponibiliza fluxos de síntese por pedido completo e de conversão de texto em áudio em streaming. O seu guia de multimédia distingue PCM, mu-law e A-law brutos em streaming das opções de saída orientadas para ficheiros, como WAV, MP3, Opus, FLAC e AAC. A predefinição PCM/WAV documentada para o fluxo de pedidos Aura é de 24 kHz. Os contentores de ficheiro, as frequências de amostragem e as codificações formam combinações válidas; uma ligação telefónica e um ficheiro de narração para transferência podem exigir escolhas diferentes.

O Aura-2 continua a ser uma família distinta do Aura de primeira geração e do Flux TTS. O estado entre turnos de fala, a informação devolvida sobre interrupções e os controlos de pausa exclusivos do modo em lote do Flux não são funcionalidades que se possam inferir a partir do nome de uma voz Aura-2. A saída útil é uma versão falada do guião efetivo, num idioma, sotaque e representação de áudio adequados. Reveja os nomes, as mudanças de idioma, o ritmo orientado pela pontuação e as instruções importantes com o ouvinte previsto antes de reutilizar a gravação.