SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech är Grok-röstfamiljens funktion för text till ljud. Tillverkaren dokumenterar uttrycksfulla inbyggda talare, infogade röstsignaler och utdataformat för medieuppspelning eller telefoniljud. Indata är taltexten som ska läsas upp tillsammans med val av röst och språk. Den resulterande inspelningen är tal från denna text; taligenkänning och samtalsmodeller för tal till tal har separata uppgifter.

Röst, språk och taltext

Producentkatalogen ger varje röst en framförandeprofil. Ara är varm och vänlig, Eve är munter med brittisk accent och Rex beskrivs som tydlig och självsäker. Röst och språk är oberoende i den dokumenterade familjen: inbyggda talare kan använda varje språkval som stöds. Guiden listar tjugo alternativ för språkkoder, inklusive regionala varianter, och stöder också automatisk språkidentifiering. Vid sidan av inbyggda talare dokumenterar producenten återanvändbara anpassade röster som skapas från en referensinspelning och väljs med voice_id för fullständig eller strömmande syntes. Referensljudet kan vara upp till 120 sekunder; 90–120 sekunder rent tal med en enda talare rekommenderas för att fånga framförande och intonation. Håll referensen, den skapade röstprofilen och den genererade inspelningen som separata leveranser och matcha referensframförandet med det avsedda manuset.

Förbered den slutliga talade ordalydelsen och bevara det avsedda språket för namn och citerade avsnitt. En användbar replik i en uppläst guide är: ”Välj ett ämne, lyssna på den korta introduktionen och öppna avsnittet du vill utforska.” Om ett varumärkesnamn eller en specialistterm behöver en viss läsning kan tillverkarens ersättningskontroller tillhandahålla en omskrivning av stavningen eller ett IPA-uttal utan att ändra den visade källtexten. Ett separat alternativ för textnormalisering omvandlar skrivna tal, förkortningar och symboler mot deras talade form.

Framförandesignaler

Infogade taggar placerar en händelse vid en viss punkt, till exempel en paus, ett skratt, en suck eller ett andetag. Omslutande taggar tillämpar framförande på en hel fras, till exempel viskning, betoning eller ett långsammare avsnitt. Placera signalen där innebörden kräver den och håll orden läsbara. Guiden rekommenderar stilmarkeringar för hela fraser och interpunktion i stället för en stapel orelaterade taggar.

Förbered den talade meningen och skiftet i framförande tillsammans för en uttrycksfull karaktärsreplik. Behåll en tydlig rytm för en förklaring så att lyssnaren kan följa stegen. Det dokumenterade talhastighetsintervallet är 0.7 till 1.5, med 1.0 som normalt framförande. Ett hastighetsval ändrar taltempot; det ändrar inte de ord som applikationen ska förmedla.

Ljud och tidsinformation

Producenten dokumenterar utdata i MP3, WAV, rå PCM, mu-law och A-law. Val av samplingsfrekvens som stöds sträcker sig från 8 kHz till 48 kHz, med specifikt listade frekvenser mellan dessa värden. Standardkonfigurationen för MP3 är 24 kHz vid 128 kbit/s. Använd en ljudrepresentation som den avsedda spelaren, redigeringssteget eller telefonivägen kan tolka.

Valfri teckentiming kopplar den returnerade teckensekvensen till start- och sluttider. Utan uttalsersättningar speglar sekvensen indata; ersättningar kan ändra den till den talade texten. Den kan stödja en medläsningsvy, markering eller synkronisering med ett visuellt framförande. I arbetsflödet med komplett svar ändrar en begäran om tidsinformation utdata till ett svarsobjekt som innehåller kodat ljud och timingdata. Behandla tidsinformationen och ljudet som ett par, särskilt när textnormalisering utvecklar en skriven symbol till flera talade ord.

Fullständig eller strömmande generering

Tillverkaren erbjuder en väg för kompletta begäranden och dubbelriktad strömning där textfragment kommer in och ljuddelar returneras medan yttrandet genereras. Den dokumenterar en gräns på 60 000 tecken för en komplett begäran och för ett enskilt strömmat textfragment. Att slutföra eller rensa ett yttrande har en uttrycklig roll i strömningsarbetsflödet.

Välj sammanhängande avsnittsgränser för längre berättarröst och spara manuset tillsammans med varje resultat. Skilj text som skickats för syntes från ljud som lyssnaren redan har hört vid interaktiv uppspelning. Den användbara leveransen är ett uppläst manus med avsiktliga framförandesignaler, ett lämpligt ljudformat och timingdata när applikationen behöver det. Spara manus, vald röst, framförandesignaler och utdatainställningar tillsammans med ljudet så att senare revideringar bevarar det avsedda framförandet.