Κείμενο σε ομιλία με AI

Το κείμενο σε ομιλία, ή TTS, μετατρέπει το γραπτό κείμενο σε ομιλούμενο ήχο. Το παλιό TTS διάβαζε τις λέξεις η μία μετά την άλλη με μονότονη φωνή. Το σύγχρονο κείμενο σε ομιλία με AI διαβάζει πρώτα ολόκληρο το απόσπασμα, ώστε να καταλαβαίνει ποια λέξη να τονίσει, πού μια πρόταση γίνεται ερώτηση και πότε μια παύση δίνει έμφαση, και μιλά με την αναπνοή και τον ρυθμό ενός ανθρώπου.

Στο Mage, το κείμενο σε ομιλία τρέχει με το Eleven Speech, το πιο πρόσφατο μοντέλο του ElevenLabs, Eleven v4. Επικολλάς έως 5.000 χαρακτήρες, διαλέγεις μία από 16 φωνές και παίρνεις ένα MP3 με διάρκεια ακριβώς όση η ανάγνωση. Τα audio tags σε αγκύλες, όπως [whispers], [laughs] ή [excited], καθοδηγούν την απόδοση χωρίς να διαβάζονται φωναχτά.

Βρίσκεται στον ίδιο λογαριασμό με τα μοντέλα εικόνας και βίντεο του Mage. Μια αφήγηση μπορεί να μπει κατευθείαν κάτω από ένα βίντεο, σε έναν χαρακτήρα ως φωνή του ή στην εφαρμογή Lipsync για να τη λέει ένα πορτρέτο.

Η μετατροπή κειμένου σε ομιλία διαβάζει ακριβώς ό,τι της δώσεις, γι' αυτό γράψε για το αυτί. Γράψε αυτό που θα ειπωθεί όπως ακριβώς πρέπει να ακουστεί: «δώδεκα ώρες» αντί για «12ω», «το έτος δύο χιλιάδες είκοσι έξι» αν ο αριθμός πρέπει να διαβαστεί ως έτος, και ολόκληρες λέξεις για συντομογραφίες που δεν προορίζονται να συλλαβιστούν. Σπάσε τις μεγάλες προτάσεις σε μικρότερες· ο ακροατής δεν μπορεί να γυρίσει πίσω.

Η στίξη είναι ο πιο εύκολος τρόπος να καθορίσεις τον ρυθμό. Το κόμμα είναι μια σύντομη ανάσα, η τελεία μια μεγαλύτερη, τα αποσιωπητικά μια αμηχανία και η παύλα μια απότομη διακοπή. Το ερωτηματικό αλλάζει τη μελωδία ολόκληρης της πρότασης, οπότε έλεγξε ότι οι ερωτήσεις τελειώνουν πραγματικά με ένα.

• Γράψε τους αριθμούς ολογράφως όταν έχει σημασία πώς θα διαβαστούν
• Κράτα τις προτάσεις σύντομες και προφορικές
• Χρησιμοποίησε αποσιωπητικά για παύσεις και παύλες για διακοπές
• Διάβασε το κείμενο φωναχτά μία φορά πριν δημιουργήσεις
• Χώρισε πολύ μεγάλα κείμενα σε κεφάλαια

Οι 16 φωνές καλύπτουν τις πιο συχνές χρήσεις. Για μεγάλη αφήγηση και ηχητικά βιβλία, διάλεξε έναν σταθερό αφηγητή όπως ο Darian, η Florence ή ο Sawyer. Για ειδήσεις, εκπαίδευση και επεξηγηματικά βίντεο, έναν καθαρό παρουσιαστή όπως η Alicia ή ο Eldrin. Για διαφημίσεις και βίντεο στα social, μια ζωηρή, μοντέρνα φωνή όπως η Elowen, ο Jade ή ο Lawrence. Για παιχνίδια, μια φωνή χαρακτήρα όπως ο Kaelen.

Κάθε φωνή μιλάει όλες τις υποστηριζόμενες γλώσσες, οπότε ένα κείμενο στα ισπανικά ή στα ιαπωνικά δουλεύει με οποιαδήποτε. Δημιούργησε τις πρώτες δύο-τρεις προτάσεις με μερικές φωνές, σύγκρινέ τες και μετά τρέξε ολόκληρο το κείμενο με αυτή που ταιριάζει.

Το Eleven v4 διαβάζει τα tags σε αγκύλες ως οδηγίες. Τα [excited], [nervous], [sarcastic] και [softly] αλλάζουν το συναίσθημα· τα [whispers] και [shouting] αλλάζουν την ένταση· τα [sighs], [laughs] και [gulps] προσθέτουν μια αντίδραση· τα [door creaks] ή [applause] προσθέτουν έναν ήχο μέσα στην ανάγνωση. Βάλε το tag ακριβώς πριν από την πρόταση που αλλάζει και χρησιμοποίησε ένα ή δύο ανά πρόταση.

Τα tags δίνουν ζωή στους διαλόγους και στις ατάκες χαρακτήρων, ενώ η απλή αφήγηση συχνά δεν χρειάζεται κανένα. Για φωνές χαρακτήρων που πρέπει να μένουν ίδιες σε κάθε βίντεο, δες τον οδηγό δημιουργίας φωνής με AI και, για τραγούδια και μουσικό υπόβαθρο, τον οδηγό δημιουργίας μουσικής με AI.

Οι ίδιες φωνές λειτουργούν μέσω του Mage API: στείλε το κείμενο και μια φωνή στο POST /v1/eleven_speech/generate και πάρε πίσω ένα MP3, με χρέωση ανά μπλοκ 250 χαρακτήρων. Δες επίσης: σελίδα του Mage API εξηγεί τα κλειδιά και τις τιμές. Με τον Mage MCP server συνδεδεμένο, το Claude, το ChatGPT και άλλοι βοηθοί μπορούν να διαβάσουν ένα κείμενο φωναχτά για σένα μέσα στη συνομιλία, αφού πρώτα σου πουν πόσα Gems κοστίζει.