SpaceXAI: Grok Voice TTS 1.0

O Grok Text to Speech é a funcionalidade de conversão de texto em áudio da família de voz Grok. O fabricante documenta vozes expressivas integradas, indicações vocais no próprio texto e formatos de saída adequados à reprodução de conteúdos ou ao áudio telefónico. A entrada é o texto a pronunciar, juntamente com as escolhas de voz e idioma. A gravação resultante reproduz esse texto; o reconhecimento de voz e os modelos de conversação de voz para voz têm tarefas distintas.

Voz, idioma e texto falado

O catálogo do fabricante atribui a cada voz um perfil de interpretação. Ara é calorosa e simpática, Eve é animada e tem sotaque britânico, e Rex é descrita como clara e confiante. Na família documentada, voz e idioma são independentes: as vozes integradas podem usar qualquer uma das opções de idioma suportadas. O guia apresenta vinte opções de códigos de idioma, incluindo variantes regionais, e também suporta a deteção automática do idioma. Além das vozes integradas, o fabricante documenta vozes personalizadas reutilizáveis, criadas a partir de uma gravação de referência e selecionadas através de voice_id para síntese completa ou em streaming. O áudio de referência pode ter até 120 segundos; recomendam-se 90–120 segundos de fala limpa, de uma única pessoa, para captar a interpretação e a entoação. Guarde a referência, o perfil de voz criado e a gravação gerada como artefactos separados e adeque a interpretação da referência ao guião pretendido.

Prepare a formulação final a pronunciar, preservando o idioma pretendido para os nomes e as passagens citadas. Para um guia narrado, uma frase útil é: «Escolha um tema, ouça a breve introdução e abra a secção que pretende explorar.» Se um nome de marca ou termo especializado exigir uma leitura específica, os controlos de substituição do fabricante permitem fornecer uma grafia fonética ou uma pronúncia em IPA sem alterar o texto de origem apresentado. Uma opção separada de normalização do texto converte números, abreviaturas e símbolos escritos para uma forma mais próxima da sua leitura em voz alta.

Indicações de interpretação

As etiquetas inseridas no texto posicionam um evento num ponto específico, como uma pausa, uma gargalhada, um suspiro ou uma respiração. As etiquetas envolventes aplicam uma forma de interpretação a uma frase completa, por exemplo um sussurro, uma ênfase ou um trecho mais lento. Coloque a indicação onde o significado a justifica e mantenha as palavras legíveis. O guia recomenda aplicar estilos a frases completas e usar pontuação, em vez de acumular etiquetas sem relação entre si.

Para uma fala expressiva de uma personagem, prepare em conjunto a frase a pronunciar e a mudança de interpretação. Para uma explicação, mantenha um ritmo claro que ajude o ouvinte a acompanhar os passos. O intervalo documentado para a velocidade da fala é de 0.7 a 1.5, sendo 1.0 a interpretação normal. A velocidade escolhida altera o ritmo da fala; não altera as palavras que a aplicação deve comunicar.

Áudio e tempos

O fabricante documenta saídas MP3, WAV, PCM em bruto, mu-law e A-law. As opções suportadas para a frequência de amostragem vão de 8 kHz a 48 kHz, com frequências específicas enumeradas entre esses valores. A configuração MP3 predefinida é de 24 kHz a 128 kbit/s. Use uma representação de áudio que o leitor, a etapa de edição ou o circuito telefónico de destino consiga interpretar.

Os tempos opcionais por carácter associam a sequência de caracteres devolvida aos instantes de início e fim. Sem substituições de pronúncia, essa sequência reflete a entrada; as substituições podem alterá-la para corresponder ao texto falado. Estes dados permitem acompanhar a leitura no ecrã, realçar texto ou alinhá-lo com uma interpretação visual. No fluxo de resposta completa, pedir os tempos altera a saída para um envelope que contém o áudio codificado e os dados temporais. Trate os tempos e o áudio como um resultado associado, sobretudo quando a normalização expande um símbolo escrito para várias palavras faladas.

Geração completa ou em streaming

O fabricante oferece um percurso de pedido completo e streaming bidirecional, em que chegam fragmentos de texto e são devolvidos blocos de áudio à medida que a fala é gerada. Documenta um limite de 60 000 caracteres para um pedido completo e para cada fragmento individual de texto enviado em streaming. Concluir ou limpar uma fala tem uma função explícita no fluxo de streaming.

Para narrações mais longas, escolha limites coerentes entre passagens e conserve o guião de cada resultado. Para reprodução interativa, distinga o texto enviado para síntese do áudio que o ouvinte já ouviu. O resultado útil é um guião com voz, indicações de interpretação intencionais, um formato de áudio adequado e dados temporais quando a aplicação precisa deles. Guarde o guião, a voz selecionada, as indicações de interpretação e as definições de saída juntamente com o áudio, para que revisões posteriores preservem a interpretação pretendida.