Deepgram: Aura-2

Aura-2 là họ mô hình chuyển văn bản thành giọng nói của Deepgram với giọng ở bảy ngôn ngữ: tiếng Anh, Tây Ban Nha, Đức, Pháp, Hà Lan, Ý và Nhật. Mô hình chuyển văn bản được cung cấp thành lời nói cho phản hồi dịch vụ khách hàng, menu điện thoại, lời giải thích và lời dẫn. Nhà sản xuất mô tả nhịp đọc, mức biểu cảm và từ đệm hội thoại là phản ứng theo câu chữ và ngữ cảnh của văn bản được cung cấp.

Chọn giọng phù hợp với ngôn ngữ và nhiệm vụ

Mỗi giọng được xác định theo họ mô hình, người nói và ngôn ngữ. Danh mục phân biệt chất giọng vùng miền và đặc điểm thể hiện thay vì coi mọi người nói đều có thể thay thế cho nhau. Thalia là lựa chọn tiếng Anh giọng Mỹ đầy năng lượng; Draco là giọng Anh gắn với kể chuyện; Celeste là giọng tiếng Tây Ban Nha Colombia gắn với hội thoại và thông báo. Chọn giọng dựa trên kịch bản thực tế và người nghe.

Một số giọng tiếng Tây Ban Nha hỗ trợ chuyển đổi qua lại giữa tiếng Anh và Tây Ban Nha: Aquila, Carina, Diana, Javier và Selena. Khả năng này thuộc các giọng được nêu tên đó, không phải mọi giọng trong họ mô hình. Với đoạn văn trộn ngôn ngữ, giữ ngôn ngữ dự kiến của tên sản phẩm và cụm từ trích dẫn, đồng thời nghe điểm chuyển bằng người nói có hồ sơ được công bố hỗ trợ nhiệm vụ đó.

Soạn văn bản để đọc thành lời

Hướng dẫn định dạng Aura-2 khuyến nghị dấu câu kết thúc câu, dấu hỏi cho câu hỏi, dấu phẩy cho khoảng nghỉ tự nhiên và cụm từ ngắn đứng riêng. Cung cấp văn bản lời nói cuối cùng, không phải chỉ dẫn yêu cầu bộ tổng hợp viết thông điệp. Một kịch bản định hướng hữu ích là: “Chào mừng bạn. Chọn ngôn ngữ, sau đó chọn chủ đề bạn cần. Bạn có thể nghe lại hướng dẫn bất cứ lúc nào.” Dấu câu tách các hành động của người nghe và giúp mô hình có nhịp điệu rõ hơn.

Viết mã định danh thành các chữ cái riêng khi phải đọc từng ký tự. Giải thích từ viết tắt và tránh câu dài nối liên tục khi cần giải thích nhiều điều kiện. Nhà sản xuất cũng khuyến nghị đặt từ lệnh trong dấu ngoặc kép và đọc thử thành tiếng một đoạn trước khi tổng hợp. Với lời dẫn giáo dục hoặc sản phẩm, giữ các thuật ngữ quan trọng trong khi chuyển tiêu đề viết sẵn và danh sách dày đặc thành cụm lời hoàn chỉnh.

Nhịp đọc và phát âm

Nhà sản xuất công bố các điều khiển tốc độ và phát âm IPA cho tiếng Anh và Tây Ban Nha. Phạm vi tốc độ nói của Aura-2 là 0.7 đến 1.5; với tiếng Tây Ban Nha, hãng khuyến nghị 0.9 đến 1.5 vì thiết lập chậm hơn có thể khiến lời nói kém trôi chảy. Phát âm và tốc độ có thể kết hợp trong họ mô hình này. Thiết lập ghi đè IPA có thể nhắm đến tên hoặc thuật ngữ chuyên môn, và quy ước Aura-2 đặt dấu trọng âm ngay trước nguyên âm.

Đặc tả điều khiển phát âm cho phép tối đa năm trăm thiết lập ghi đè, với mỗi chuỗi IPA không dài quá 128 ký tự, và công bố giới hạn văn bản đầu vào 2.000 ký tự cho quy trình đó. Aura-2 không hỗ trợ tính năng điều khiển khoảng nghỉ tường minh được công bố cho Flux TTS. Dùng cấu trúc câu và dấu câu để chuẩn bị nhịp điệu, đồng thời chia nội dung dài hơn thành các đoạn mạch lạc khi quy trình đã chọn yêu cầu.

Cung cấp và sử dụng âm thanh

Nhà sản xuất cung cấp quy trình tổng hợp theo yêu cầu hoàn chỉnh và truyền luồng văn bản thành âm thanh. Hướng dẫn phương tiện phân biệt PCM, mu-law và A-law truyền luồng thô với các tùy chọn đầu ra dạng tệp như WAV, MP3, Opus, FLAC và AAC. Giá trị PCM/WAV mặc định được công bố cho quy trình yêu cầu Aura là 24 kHz. Bộ chứa tệp, tần số lấy mẫu và mã hóa tạo thành các tổ hợp hợp lệ; kết nối điện thoại và tệp lời dẫn tải xuống có thể cần lựa chọn khác nhau.

Aura-2 là họ mô hình riêng, tách biệt với Aura thế hệ đầu và Flux TTS. Trạng thái xuyên lượt, phản hồi khi ngắt lời và điều khiển khoảng nghỉ chỉ dành cho chế độ theo lô của Flux không phải những tính năng có thể suy ra từ tên giọng Aura-2. Đầu ra hữu ích là phiên bản đọc thành lời của kịch bản thực tế bằng ngôn ngữ, chất giọng vùng miền và cách biểu diễn âm thanh phù hợp. Kiểm tra tên riêng, điểm chuyển ngôn ngữ, nhịp đọc theo dấu câu và chỉ dẫn quan trọng với người nghe dự kiến trước khi tái sử dụng bản ghi.