speech-2.6-hd

Voz natural para interação

Speech 2.6 HD destina-se a síntese natural de fala e a cenários em que é importante começar rapidamente a resposta. O fabricante dá atenção à entoação, à fluidez da fala e ao processamento do texto antes da pronúncia. A variante HD dá especial atenção à qualidade do som; a entrada desta ficha é texto, e a saída é áudio de fala.

Leitura de formas de escrita não convencionais

A geração Speech 2.6 pode processar formas de escrita frequentes em mensagens de trabalho: endereços de páginas, correio eletrónico, números de telefone, datas e montantes monetários. O modelo converte-os numa forma pronunciável para que a intervenção continue a ser compreensível ao ouvido. O fabricante descreve estas tarefas em várias línguas.

Fala fluida com preservação do timbre

Speech 2.6 prevê o modo Fluent LoRA para melhorar a fluidez. Destina-se à síntese a partir de uma voz preparada: ajuda a preservar o timbre e a produzir fala mais contínua, mesmo que a amostra original seja irregular ou tenha sotaque. Preparar uma voz clonada e utilizá-la na narração são ações distintas.

São suportadas 40 línguas, incluindo russo. Além dos sete estados emocionais de base, Speech 2.6 prevê as opções de fala fluida fluent e sussurro whisper. Se não for indicada uma emoção, o modelo escolhe-a a partir do sentido do texto.

Configurações de pronúncia

A MiniMax prevê escolha da voz e controlo do ritmo, volume e altura. A velocidade é definida no intervalo 0,5–2, o volume é superior a 0 e até 10, e a alteração de altura situa-se entre −12 e 12. A emoção pode ficar ao critério do modelo a partir do sentido do texto ou ser indicada manualmente: alegria, tristeza, raiva, medo, repulsa, surpresa ou serenidade.

A pronúncia pode ser ajustada com um dicionário de substituições e notação fonética; estão previstos alfabeto fonético internacional, pinyin chinês e variantes de leitura japonesas. As pausas são definidas entre fragmentos pronunciados no intervalo 0,01–99,99 segundos. A duração da pausa é definida com duas casas decimais; os marcadores são colocados entre fragmentos pronunciados e não são dispostos consecutivamente. Estas configurações permitem adequar a pronúncia de nomes, abreviaturas e palavras ambíguas à narração pretendida.

Comprimento do texto e áudio

A síntese recebe texto com menos de 10 000 caracteres. Para texto longo com mais de 3000 caracteres, o fabricante recomenda saída em fluxo; está também prevista receção do áudio pronto completo. As configurações gerais de síntese incluem MP3, PCM, FLAC, WAV, Opus e variantes de G.711 μ-law, em mono ou estéreo; os meios da Ailoot determinam os formatos disponíveis em cada pedido concreto.

Segundo a MiniMax, a geração destina-se a baixa latência em cenários de voz. Esta é uma descrição do modelo; o tempo de cada resposta e a disponibilidade de configurações alargadas dependem da forma de acesso escolhida na Ailoot.

As configurações adicionais de áudio incluem frequências de amostragem de 8, 16, 22,05, 24, 32 e 44,1 kHz. Para MP3, estão previstas taxas de bits de 32, 64, 128 ou 256 kbit/s. Pode também alterar-se o timbre da voz e aplicar um efeito: eco amplo, eco de sala, som telefónico ou voz robótica. Os efeitos de alteração da voz são suportados em MP3, WAV e FLAC ao receber o áudio completo e, na saída em fluxo, apenas em MP3. Os formatos G.711 μ-law utilizam frequência de 8 kHz. Estas capacidades pertencem às configurações de síntese da MiniMax.

O fabricante prevê sincronização da fala com o texto: marcas temporais por frases, palavras ou palavras na saída gradual. Este resultado ajuda a combinar a pronúncia com a apresentação do texto. Esta capacidade adicional exige suporte do formato de resposta correspondente.