AI převod textu na řeč

Převod textu na řeč, neboli TTS, mění psaný text na mluvený zvuk. Starší TTS četlo slova jedno po druhém monotónním hlasem. Moderní AI převod textu na řeč si nejdřív přečte celý úsek, takže chápe, které slovo zdůraznit, kde se věta mění v otázku a kdy pauza podtrhne myšlenku, a mluví s dechem a rytmem člověka.

Na Mage běží převod textu na řeč na Eleven Speech, nejnovějším modelu ElevenLabs, Eleven v4. Vložíš až 5 000 znaků, vybereš jeden z 16 hlasů a dostaneš MP3, které trvá přesně tak dlouho jako přečtení. Audio tagy v hranatých závorkách, například [whispers], [laughs] nebo [excited], řídí přednes a nahlas se nečtou.

Je ve stejném účtu jako obrazové a video modely Mage. Namluvený text můžeš vložit rovnou pod video, přiřadit postavě jako její hlas, nebo ho poslat do aplikace Lipsync, aby ho portrét vyslovil.

Převod textu na řeč přečte přesně to, co mu zadáš, tak piš pro ucho. Co se má říct, napiš tak, jak to má znít: „dvanáct hodin“ místo „12 h“, „rok dva tisíce dvacet šest“, pokud se má číslo číst jako rok, a celými slovy zkratky, které se nemají hláskovat. Dlouhé věty rozděl na kratší, posluchač se nemůže vrátit zpět.

Interpunkce je nejlevnější způsob, jak řídit tempo. Čárka je krátký nádech, tečka delší, tři tečky váhání a pomlčka náhlé přerušení. Otazník mění melodii celé věty, proto zkontroluj, že otázky opravdu jedním končí.

• Čísla piš slovy, když záleží na tom, jak se přečtou
• Piš krátké věty, tak jak se mluví
• Tři tečky použij pro pauzy a pomlčky pro přerušení
• Před generováním si scénář jednou přečti nahlas
• Velmi dlouhé texty rozděl na kapitoly

Šestnáct hlasů pokrývá nejběžnější využití. Pro dlouhé vyprávění a audioknihy zvol vyrovnaného vypravěče, třeba Dariana, Florence nebo Sawyera. Pro zprávy, školení a výklady výrazného hlasatele, třeba Alicii nebo Eldrina. Pro reklamy a krátká videa na sítích svižný, moderní hlas, třeba Elowen, Jade nebo Lawrence. Pro hry hlas postavy, třeba Kaelen.

Každý hlas mluví všemi podporovanými jazyky, takže španělský nebo japonský scénář funguje s kterýmkoli z nich. Vygeneruj první dvě tři věty v několika hlasech, porovnej je a pak celý scénář spusť v tom, který sedí nejlépe.

Eleven v4 bere tagy v hranatých závorkách jako režijní pokyny. [excited], [nervous], [sarcastic] a [softly] mění emoci; [whispers] a [shouting] mění hlasitost; [sighs], [laughs] a [gulps] přidávají reakci; [door creaks] nebo [applause] přidají zvuk přímo do řeči. Tag dej těsně před větu, kterou mění, a použij jeden nebo dva na větu.

Tagy oživí dialogy a repliky postav, prostý komentář je často nepotřebuje. Pokud mají hlasy postav zůstat ve všech videích stejné, viz průvodce AI generátor hlasu, a pro písně a hudební podklady viz AI generátor hudby.

Stejné hlasy běží i přes Mage API: pošli text a hlas na POST /v1/eleven_speech/generate a dostaneš zpět MP3, cena se počítá po blocích po 250 znacích. Stránka Mage API popisuje klíče a ceny. Když připojíš Mage MCP server, Claude, ChatGPT a další asistenti ti mohou scénář přečíst nahlas přímo v chatu, a to po upozornění, kolik Gems to stojí.