קול אַקטינג Gemini TTS: 30 קולות און אַלע סעטטינגס
אין דער אָפּטיילונג "אַודיאָ" אַ נייַע געצייַג איז ארויס - קול אַקטינג פון דיאַלאָגז Gemini TTS. עס טורנס די פאַרטיק שריפט אין אַ געזונט: איר ספּעציפיצירן די רעדנער, זייער קולות און כאַראַקטער, און די דינסט זאָגט אויס די שורות איינער דורך איינער און קערט די פאַרטיק MP3.
וואָס מין פון מכשירים איז דאָס
דאָס איז נישט לייענען איין טעקסט אין איין קול, אָבער אַ פול מאַלטי-רעדער דיאַלאָג. יעדער כאַראַקטער באַקומען זיין אייגענע שטימע, אַקצענט, פּרעזענטירונג סטיל און טעמפּאָ - און די שורות קלינגען ווי זיי זענען בדעה: אַ שמועס צווישן די פּרעזענטערז, אַ סקיצע, אַן אינטערוויו, שורות פון די כאַראַקטער פֿאַר די ווידעא.
צוויי מאָדעלס בנימצא:
- Gemini 3.8 Flash TTS - יקספּרעסיוו קול אַקטינג: ריטשער ימאָושאַנז, מער נאַטירלעך ריטם, פיינער קאָנטראָל פון עקספּרעס. פּאַסיק פֿאַר פּאָדקאַסץ, אַודיאָבאָאָקס, ווויס-אָווערס.
- Gemini 3.8 Flash-Lite TTS - די זעלבע מאַקאַניקס זענען טשיפּער און פאַסטער: פֿאַר גרויס וואַליומז, דראַפץ און לייענען טעקסטן הויך.
וואָס סעטטינגס זענען בנימצא?
די צובינד דיספּלייז אַלע די פּאַראַמעטערס צוגעשטעלט דורך די קול אַקטינג מאָדעל:
- רעדנער. פון איין צו עטלעכע אותיות; יעדער האט זייַן אייגענע כסימע "Speaker 1", "Speaker 2" און אַזוי אויף, דורך וואָס די רעפּלאַקאַז זענען פארבונדן מיט די קול.
- 30 שטימען - פון ווייך דערציילונג צו ענערגעטיק און "נייַעס".
- 8 אַקסענץ - נייטראַל, אמעריקאנער (אַלגעמיינע, "טאָל", דרום), בריטיש (RP און בריקסטאָן), טראַנסאַטלאַנטיק, אַוסטראַליאַן.
- 6 סערווינג סטיילז - אַ שמייכל אין די קול, אַ אַנאַונסער, אַ שושקען, עמפּאַטי, פּראָמאָ און אַ "טרוקן" אפילו טאָן.
- 4 רייד רייץ - נאַטירלעך, פּאַטטער, גלאַט "דריפט" און דזשערקי.
- קול כאַראַקטער - פריי באַשרייַבונג, אַזאַ ווי "וואַרעם דערציילער" אָדער "שטערן טויער היטער."
- טעמפּעראַטור - פֿון 0 צו 2: נידעריקער - מער סטאַביל און פּרידיקטאַבאַל, העכער - לעבעדיקער און מער וועריד.
- סצענע און אַלגעמיין טאָן - אַ באַשרייַבונג פון די באַשטעטיקן ("אַ שטיל צימער מיט אַ קראַקלינג קאַמין") און די נוסח פון דערציילונג ("אַ אַודיאָ בוך, ווייך און ינווייטינג").
- רעפּלאַקאַז - יעדער שורה פון דיאַלאָג אַרויף צו 10,000 אותיות; דער סדר פון די רעפּלאַקאַז איז אפגעהיט.
ווי צו קול דיאַלאָג: שריט דורך שריט
- עפענען "אַודיאָ" אָפּטיילונג און אויסקלייַבן אַ מאָדעל Gemini 3.8 Flash TTS אָדער Flash-LiteTTS - זיי זענען אין די דנאָ פון דער רשימה פון מאָדעלס.
- לייג רעדנער און קאַסטאַמייז יעדער מענטש 'ס קול, אַקצענט, סטיל און טעמפּאָ.
- שרייב די שורות פון דיאַלאָג און ידענטיפיצירן די רעדנער פֿאַר יעדער.
- אויב געוואלט, פּלאָמבירן די סצענע באַשרייַבונג, קוילעלדיק טאָן און טעמפּעראַטור.
- קוק אין די פּרייַז - עס איז קענטיק איידער קאַטער און איז ריקאַלקיאַלייטיד ווען איר אַרייַן טעקסט.
- דריקט "קול" און ווען גרייט, הערן צו די רעזולטאַט און אראפקאפיע MP3.
ווי פיל טוט עס קאָסטן
די פּרייַז איז קאַלקיאַלייטיד באזירט אויף די פאַקטיש באַנד פון טעקסט: די מער רעפּלאַקאַז, די העכער די פּרייַז, און עס איז קענטיק איידער קאַטער - עס זענען קיין סאַפּרייזיז נאָך דור. צאָלונג איז געמאכט מיט פּלאַץ טאָקענס, ווי פֿאַר אנדערע באַצאָלט דורות; אויב ניט געראָטן, טאָקענס זענען אויטאָמאַטיש אומגעקערט. די פּרייַז פירער קענען זיין וויוד גלייַך אין די פאָרעם: די סומע איז דערהייַנטיקט בשעת איר טייפּינג די שריפט.
אָפט געשטעלטע פֿראגן
קענען איך קול איבער דיאַלאָג צווישן צוויי אָדער מער אותיות? יאָ, יעדער רעדנער האט זיין אייגענע קול און סעטטינגס, די שורות נעמען טורנס.
אין וואָס פֿאָרמאַט איז דער רעזולטאַט? MP3 - איר קענען הערן צו דעם בלאַט און אראפקאפיע עס מיט איין קנעפּל.
וואָס שפּראַכן רעדט דער מאָדעל? דער מאָדעל איז מאַלטיילינגוואַל: עס שטימען טעקסטן אין דאַזאַנז פון שפּראַכן, אַרייַנגערעכנט רוסיש און ענגליש.
וואָס צו קלייַבן: פלאַש אָדער Flash-Lite? פֿאַר יקספּרעסיוו פּראַדזשעקס - פלאַש, פֿאַר גרויס וואַליומז און דראַפץ - Flash-Lite: די מאַקאַניקס זענען די זעלבע, אָבער טשיפּער און פאַסטער.
צי איך האָבן צו באַצאָלן צו פּרובירן? די שרייבן-אַוועק אַקערז ווען קול אַקטינג סטאַרץ, און אויב עס איז אַ טעות, די טאָקענס זענען אויטאָמאַטיש אומגעקערט.