Deepgram: Aura-2

Aura-2 är Deepgrams text-till-tal-familj med röster på sju språk: engelska, spanska, tyska, franska, nederländska, italienska och japanska. Den omvandlar angiven text till tal för kundservicesvar, telefonmenyer, förklaringar och berättarröst. Tillverkaren beskriver tempo, uttrycksfullhet och samtalsutfyllnader som reaktioner på ordalydelsen och sammanhanget i den angivna texten.

Matcha rösten med språket och uppgiften

Varje röst identifieras med familj, talare och språk. Katalogen skiljer på accenter och framförandeegenskaper i stället för att behandla alla talare som utbytbara. Thalia är ett energiskt amerikanskt engelskt alternativ; Draco är en brittisk röst förknippad med berättande; Celeste är en colombiansk spansk röst förknippad med samtal och utrop. Välj rösten med det faktiska manuset och lyssnaren i åtanke.

Utvalda spanska röster stöder kodväxling mellan engelska och spanska: Aquila, Carina, Diana, Javier och Selena. Förmågan hör till dessa namngivna talare, inte till varje röst i familjen. I ett flerspråkigt avsnitt bevarar du det avsedda språket för produktnamn och citerade fraser, och lyssnar på övergången med en talare vars dokumenterade profil stöder uppgiften.

Förbered text för tal

Aura-2:s formateringsguide rekommenderar avslutande skiljetecken, frågetecken för frågor, kommatecken för naturliga pauser och korta fristående fraser. Ange den slutliga talade texten, inte en instruktion som ber syntetiseraren skriva meddelandet. Ett användbart orienteringsmanus är: ”Välkommen. Välj ett språk och välj sedan det ämne du behöver. Du kan upprepa instruktionerna när som helst.” Interpunktionen skiljer lyssnarens handlingar åt och ger modellen en tydligare rytm.

Skriv en identifierare som separata bokstäver när den måste läsas tecken för tecken. Förklara akronymer och undvik en alltför lång mening utan tydliga satsgränser när flera villkor behöver förklaras. Tillverkaren rekommenderar också att kommandoord sätts inom citattecken och att ett avsnitt läses högt före syntesen. För utbildnings- eller produktberättarröst behåller du de viktiga termerna, samtidigt som skrivna rubriker och täta listor görs om till fullständiga talade fraser.

Tempo och uttal

Tillverkaren dokumenterar kontroller för hastighet och IPA-uttal för engelska och spanska. Aura-2:s talhastighetsintervall är 0.7 till 1.5; för spanska rekommenderas 0.9 till 1.5 eftersom långsammare inställningar kan ge talstörningar. Uttal och hastighet kan kombineras i denna familj. IPA-anpassningar kan rikta sig mot ett specialistnamn eller en term, och Aura-2:s konvention placerar betoningstecknet direkt före vokalen.

Specifikationen för uttalskontroll tillåter upp till femhundra anpassningar, med högst 128 tecken i varje IPA-sträng, och dokumenterar en gräns på 2 000 tecken för indatatext i detta arbetsflöde. Aura-2 stöder inte den uttryckliga pauskontroll som dokumenteras för Flux TTS. Använd meningsbyggnad och interpunktion för att förbereda rytmen och dela längre material i sammanhängande avsnitt när det valda arbetsflödet kräver det.

Ljudleverans och användning

Tillverkaren erbjuder arbetsflöden för syntes av kompletta begäranden och strömmande text till ljud. Medieguiden skiljer rå strömmande PCM, mu-law och A-law från filorienterade utdataalternativ som WAV, MP3, Opus, FLAC och AAC. Det dokumenterade standardvärdet för PCM/WAV i arbetsflödet för Aura-begäranden är 24 kHz. Filbehållare, samplingsfrekvenser och kodningar bildar giltiga kombinationer; en telefonanslutning och en nedladdningsbar berättarröstfil kan kräva olika val.

Aura-2 är fortsatt en separat familj från första generationens Aura och från Flux TTS. Flux tillstånd mellan samtalsturer, avbrottsåterkoppling och pauskontroller enbart för batch ska inte härledas ur ett Aura-2-röstnamn. Den användbara leveransen är en talad version av det faktiska manuset på ett lämpligt språk, med lämplig accent och ljudrepresentation. Granska namn, språkväxlingar, interpunktionsstyrt tempo och viktiga instruktioner med den avsedda lyssnaren innan inspelningen återanvänds.