Deepgram: Aura-2

Aura-2 je rodina prevodu textu na reč od Deepgram s hlasmi v siedmich jazykoch: angličtine, španielčine, nemčine, francúzštine, holandčine, taliančine a japončine. Dodaný text mení na reč pre odpovede zákazníckeho servisu, telefónne menu, vysvetlenia a rozprávanie. Výrobca opisuje tempo, expresivitu a konverzačné výplnkové výrazy ako reakcie na znenie a kontext dodaného textu.

Zlaďte hlas s jazykom a úlohou

Každý hlas je identifikovaný rodinou, hovoriacim a jazykom. Katalóg rozlišuje prízvuky a vlastnosti prednesu namiesto toho, aby považoval všetkých hovoriacich za zameniteľných. Thalia je energický hlas americkej angličtiny; Draco je britský hlas spojený s rozprávaním príbehov; Celeste je kolumbijský španielsky hlas spojený s konverzáciami a oznamami. Hlas vyberte so zreteľom na skutočný scenár a poslucháča.

Vybrané španielske hlasy podporujú prepínanie medzi angličtinou a španielčinou: Aquila, Carina, Diana, Javier a Selena. Táto schopnosť patrí uvedeným hovoriacim, nie každému hlasu v rodine. Pri viacjazyčnej pasáži zachovajte zamýšľaný jazyk názvov produktov a citovaných fráz a prechod si vypočujte s hovoriacim, ktorého dokumentovaný profil danú úlohu podporuje.

Pripravte text na prednes

Príručka formátovania Aura-2 odporúča interpunkciu na konci viet, otázniky pri otázkach, čiarky pre prirodzené prestávky a krátke samostatné frázy. Dodajte konečný hovorený text, nie pokyn, aby syntetizátor správu napísal. Užitočný orientačný scenár je: „Vitajte. Vyberte jazyk a potom zvoľte tému, ktorú potrebujete. Pokyny si môžete kedykoľvek zopakovať.“ Interpunkcia oddeľuje akcie poslucháča a dáva modelu jasnejší rytmus.

Identifikátor zapíšte po jednotlivých písmenách, ak sa má čítať znak po znaku. Definujte skratky a vyhnite sa dlhej vete s nahromadenými informáciami pri vysvetľovaní viacerých podmienok. Výrobca tiež odporúča uvádzať príkazové slová v úvodzovkách a pred syntézou si pasáž prečítať nahlas. Pri vzdelávacom alebo produktovom prednese zachovajte dôležité výrazy, no písané nadpisy a hutné zoznamy premeňte na úplné hovorené frázy.

Tempo a výslovnosť

Výrobca dokumentuje ovládanie rýchlosti a výslovnosti IPA pre angličtinu a španielčinu. Rozsah rýchlosti reči Aura-2 je 0.7 až 1.5; pre španielčinu odporúča 0.9 až 1.5, pretože pomalšie nastavenia môžu viesť k neplynulosti. Výslovnosť a rýchlosť možno v tejto rodine kombinovať. Prepisy IPA môžu cieliť na odborné meno alebo výraz a konvencia Aura-2 umiestňuje značku prízvuku priamo pred samohlásku.

Špecifikácia ovládania výslovnosti povoľuje až päťsto prepisov, pričom každý reťazec IPA smie mať najviac 128 znakov, a pre tento postup dokumentuje limit vstupného textu 2 000 znakov. Aura-2 nepodporuje funkciu explicitného ovládania prestávok dokumentovanú pre Flux TTS. Rytmus pripravte vetnou stavbou a interpunkciou a ak to zvolený postup vyžaduje, rozdeľte dlhší materiál na súvislé pasáže.

Dodanie zvuku a použitie

Výrobca poskytuje syntézu úplnej požiadavky aj postupy streamovaného prevodu textu na zvuk. Jeho mediálna príručka odlišuje surový streamovaný PCM, mu-law a A-law od súborových výstupov ako WAV, MP3, Opus, FLAC a AAC. Dokumentovaná predvolená hodnota PCM/WAV pre postup požiadavky Aura je 24 kHz. Súborové kontajnery, vzorkovacie frekvencie a kódovania tvoria platné kombinácie; telefónne spojenie a stiahnuteľný súbor prednesu môžu vyžadovať odlišné voľby.

Aura-2 zostáva samostatnou rodinou od prvej generácie Aura a od Flux TTS. Stav medzi replikami, spätná väzba pri prerušení a prestávky dostupné len v dávkovom režime z Flux sa nemajú odvodzovať z názvu hlasu Aura-2. Užitočným výstupom je hovorená verzia skutočného scenára vo vhodnom jazyku, prízvuku a zvukovej reprezentácii. Pred opätovným použitím nahrávky s ohľadom na zamýšľaného poslucháča skontrolujte mená, prepínanie jazykov, tempo riadené interpunkciou a dôležité pokyny.