Deepgram: Flux TTS

Flux TTS är Deepgrams text-till-tal-familj för direktsamtal och fast talat innehåll. Dess utmärkande egenskap är kontinuitet i samtalet: den strömmande modellen för prosodin vidare mellan samtalsturer, så framförandet kan behålla en konsekvent ton under en fortsatt interaktion. Den tar emot skriven text och returnerar talljud. Flux TTS och den separat namngivna taligenkänningsmodellen Flux utför olika delar av ett röstsamtal.

Välj en engelsk röst

Den dokumenterade Flux-katalogen talar engelska med amerikanska, brittiska, irländska, australiska, indiska, singaporianska och filippinska accenter. Röstbeskrivningar hjälper dig att välja en talare för kundservice, telefonmenyer, berättarröst eller vardagliga samtal. Tillverkaren anger till exempel Haley som en lugn amerikansk röst och Jack som en professionell brittisk röst. Välj rösten efter publiken och den sorts text den ska läsa, och håll sedan valet stabilt genom innehållet eller samtalet. Tal på andra språk hör till ett separat dokumenterat modellval.

Samtalsturer och avbrott i realtid

I tillverkarens strömmande arbetsflöde kan text komma in medan applikationen formulerar ett svar, och ljud returneras successivt. En samtalstur har egna händelser för start och slutförande; när turen avslutas slutförs den återstående syntesen. Kontext mellan samtalsturer bevarar prosodin inom sessionen. Det är användbart för en talande assistent som först förklarar ett val och sedan svarar på en följdfråga utan att ändra sin röstkaraktär.

Ett avbrott avbryter den aktiva samtalsturen och returnerar den upplästa delen och den återstående texten. Skillnaden hjälper applikationen att fortsätta från det lyssnaren faktiskt hörde. För en praktisk interaktion förbereder du ett kort svar med den viktiga instruktionen först, följt av förklaringen. Om lyssnaren avbryter efter den första instruktionen kan nästa svar behandla den nya frågan i stället för att anta att hela förklaringen levererats.

Fast ljud och utdataformat

Batchsyntes tar ett komplett textblock och returnerar dess ljud i ett enda svar. Den använder samma röstkatalog som strömning och passar för inspelade telefonmeddelanden, aviseringar eller berättarröst som förberetts i förväg. Batchbegäranden är oberoende; strömningens tillstånd för samtalsturer och avbrottshändelser gäller inte för ett fast klipp.

Strömmande utdata är råljud utan filbehållare: 16-bitars PCM, mu-law eller A-law. Tillverkaren dokumenterar PCM-samplingsfrekvenser på 8, 16, 24, 32, 44.1 och 48 kHz; mu-law och A-law använder 8 eller 16 kHz. Batchutdata stöder dessutom MP3, Opus, FLAC och AAC. Välj en kodning och behållare som den avsedda spelaren eller telefonivägen kan tolka, i stället för att behandla en ström av råa sampel som en vanlig ljudfil.

Kontroller för framförande och gränser

Tillverkaren dokumenterar ett talhastighetsintervall från 0.5 till 1.5 i steg om 0.05. Ändringar av talhastigheten vid strömning tillämpas vid en segmentgräns. En separat kontroll för uttrycksfullhet i beta flyttar framförandet från lugnt till livligt. Vanlig SSML och igenkända taggar från konkurrenter tas bort i stället för att användas som uttrycksinstruktioner; Flux egna kontroller har sin egen innebörd.

Infogade pauser hör till batchsyntesen, med längder på 500–3 000 ms i steg om 100 ms och högst åtta markörer per begäran. Text måste skilja intilliggande pauser åt, och hastigheten är begränsad till 1.15 när en paus finns. Uttalsanpassningar använder IPA och finns i Early Access; tillverkaren påpekar att ett begärt uttal kan variera mellan genereringar. Uttal kan inte kombineras med en hastighet som avviker från standard eller med pauskontroller. För ett manus med specialistnamn lyssnar du på dessa termer i den valda rösten och håller den talade ordalydelsen tydlig.

Deepgrams dokumenterade strömningssession varar upp till en timme och stängs efter sextio sekunder utan inkommande meddelande om den inte hålls aktiv genom den anslutningsmekanism som stöds. Dessa sessionsgränser gäller arbetsflödet för syntes i realtid. En användbar leverans är en medvetet vald röst, lyssnarvänlig text och ljud som passar målet, där realtidsapplikationer håller reda på vad som faktiskt lästes upp när en samtalstur avbröts.