speech-2.8-turbo

Síntese rápida de intervenções de conversa

Speech 2.8 Turbo combina produção rápida de áudio com movimento natural da voz. O fabricante apresenta Turbo para som de conversa fluido: intervenções curtas, leitura de texto em voz alta e interação por voz. Esta ficha recebe texto e devolve áudio de fala.

Riso, respiração e interjeições

Tal como a versão HD desta geração, Turbo suporta etiquetas sonoras Speech 2.8. O texto pode incluir designações de riso, risinho, tosse, limpeza da garganta, inspiração, expiração, suspiro e outros sons breves. Esta irregularidade controlada aproxima a intervenção da conversa: surgem respiração e pausas relacionadas com o conteúdo.

Uma etiqueta sonora refere-se a um ponto concreto do texto. São utilizadas as designações entre parênteses previstas pelo modelo, por exemplo, (laughs) ou (breath). Uma descrição arbitrária de um efeito não equivale a uma etiqueta suportada.

Voz e língua

A família Speech 2.8 suporta 40 línguas, incluindo russo, e trabalho com vozes predefinidas. O fabricante destaca textura reconhecível da voz, características da respiração e redução de distorções digitais. A capacidade de clonagem pertence à preparação separada de uma voz, que pode depois ser utilizada na síntese.

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.

Saída gradual e formato de 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.

A velocidade do Turbo é uma característica da variante do modelo, sem prometer uma latência fixa para a intervenção pronta. Não é definida aqui uma latência numérica para este pedido. As configurações alargadas do fabricante enumeradas exigem suporte na forma de acesso escolhida através da 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.