Лучшие практики ввода данных
Цифры (Numbers)
- Числа : модели преобразования текста в речь могут испытывать трудности с такими форматами, как номера телефонов или валюты.
- Рекомендация : записывайте числа словами, чтобы избежать двусмысленности (например, пишите «один» вместо «1»).
- Номера телефонов : 123-456-7890 ← один, два, три; четыре, пять, шесть...
- Валюта : $45,67 ← сорок пять долларов и шестьдесят семь центов.
- Сокращения : для ясности расшифруйте их и напишите полностью.
- Д-р ← доктор, ул. ← улица.
- Ссылки/символы :
- moknah.io/docs ← moknah.io/docs (пишите так, как
произносится).
- 100% ← сто процентов.
Обзор
Создать свой первый аудиофайл с помощью функции преобразования текста в речь или студии Text to Audio Studio очень просто. Однако, чтобы получить максимальную отдачу от этих возможностей, стоит учесть несколько важных моментов.
Руководство (Guide)
1
Введите или вставьте текст в поле ввода на странице преобразования текста в речь.
Вы всегда можете включить в текст теги выразительности, чтобы добиться превосходного качества синтеза речи.
- При использовании эмоций (Emotions) применяйте теги в квадратных скобках, например [shouting] (крик) или [breathing] (дыхание). Эти теги очень эффективны (полный список см. в разделе Voice Tags) .
- Если эмоции не активированы , вы по-прежнему можете описать желаемую манеру исполнения (например, указав excited — «с воодушевлением») или использовать теги вида , хотя они носят экспериментальный характер и могут работать не столь стабильно.
- Примечание : все теги должны быть на английском языке, так как их использование на других языках носит экспериментальный характер и может работать нестабильно. Мы работаем над упрощением этого процесса с помощью эмодзи и кнопок в будущих обновлениях.
- Ограничения по количеству символов и длинный контент: стандартное поле для генерации звука предназначено для коротких фрагментов и вмещает лишь 1500 символов (для достижения наилучшего качества мы рекомендуем использовать около 200 символов за одну генерацию).
- Для больших объемов: если вам нужен непрерывный аудиофайл, не требующий последующего редактирования или склейки (например, для аудиокниг или длинных статей), не используйте это поле ввода. Вместо этого воспользуйтесь студией преобразования текста в аудио (Text to Audio Studio). Она позволяет загружать целые документы и эффективно автоматизировать создание объемного контента.
2
Выбор голоса
Выберите из своего списка звук, который хотите использовать.
Выбор голоса имеет большое значение. Например, если вам нужен голос, говорящий на литературном арабском языке (фусха), лучше изначально выбрать голос, предназначенный именно для этого, а не тот, что ориентирован на разговорный диалект. Впрочем, это не означает, что голос, настроенный на определенный диалект, не сможет прочитать текст на литературном языке; он вполне способен это сделать и даже придать речи выразительность. Однако, если вы повысите параметры эмоциональности (emotion parameter) или «температуры» (temperature), это может привести к неожиданным результатам, так как голос начнет тяготеть к тому диалекту, на основе которого он был создан.
Предположим, например, что вам нужно озвучивание с определенным акцентом. В этом случае, даже если вы не хотите активировать параметр эмоциональности и выбираете голос с нейтральным произношением, повышение уровня выразительности и теплоты звучания приблизит результат к желаемому акценту. В любом случае, голосовое исполнение строится на основе контекста входных данных: если модель распознает акцент во введенном тексте, она попытается воспроизвести его, даже если выбранный голос изначально не специализируется на акцентах. Помните: чем больше вы практикуетесь, тем лучше начинаете понимать баланс настроек и методы работы с ними, что в итоге позволяет добиваться впечатляющих результатов.
3
Настройка параметров (необязательно)
Отрегулируйте настройки звука для получения желаемого результата.
Рекомендуемая нами настройка по умолчанию показана на изображении ниже:
Настройки :
- Коэффициент креативности (Temperature):
- Выше = больше гибкости
- Меньше = более статично
- Повышение параметра «температуры» (temperature) дает модели искусственного интеллекта больше свободы в управлении звучанием, однако чрезмерное увеличение этого показателя может привести к появлению странных результатов; в то же время снижение до нуля сделает звучание слишком жестким и безжизненным, поэтому оптимальным решением будет выбор промежуточного значения, соответствующего вашим потребностям.
- Сходство: Similarity
- Выше = максимально близко к оригиналу
- Меньше = меньше сходства с оригинальным звуком
- Повышение коэффициента соответствия усиливает сходство с оригинальным звуком; однако установка его на максимум при использовании некачественного или «грязного» эталонного образца чревата появлением звуковых искажений, таких как треск. Максимальное значение можно использовать для достижения полного соответствия, если исходный образец качественный; в противном случае лучше снизить этот показатель для получения более чистого и качественного результата.
- Скорость: Speed
- Выше = быстрее
- Меньше = медленнее
- Увеличение скорости воспроизведения до максимума или её снижение до минимума может ухудшить качество генерируемого звука; поэтому мы рекомендуем прибегать к этой опции только в случае необходимости.
- Выразительность : Expressiveness
- Высший уровень = эмоциональная подача
- Меньше = нейтральный тон
- Повышение коэффициента эмоциональности приближает звучание к естественному, однако его чрезмерное увеличение может привести к появлению нежелательных артефактов. Поэтому при массовой генерации аудио (особенно в Voice Studio) мы рекомендуем оставлять этот параметр на нулевом уровне и повышать его экспериментально для отдельных фраз.
Настройки эмоций (слайды Emotion Setting):
Рекомендуемая нами настройка по умолчанию показана на изображении сбоку:
Если вы выберете активацию эмоций (Enable Emotion), как показано на изображении выше, то рекомендуется повысить параметр «температура» (Temperature).
4
Выберите требуемый режим обработки (нормализации)
- Базовый (Basic): подходит для арабского языка без каких-либо дополнений, а также для языков, отличных от арабского.
- Усовершенствованная система на базе искусственного интеллекта (AI-Enhanced): разработана специально для арабского языка; она понимает контекст, разделяет предложения или абзацы и расставляет необходимые огласовки, соответствующие правилам произношения.
5
Генерация (Generate)
Нажмите кнопку Run ( создать ) на странице Text to Audio или кнопку Generate ( создать ) в Text to Audio Studio, чтобы сгенерировать аудиофайл. В Studio можно сгенерировать тысячи строк за один раз, нажав кнопку объединения (merge).
Перейдите к следующей статье в руководстве Makna