AI szövegfelolvasó

A szövegfelolvasás, azaz TTS írott szöveget alakít hanggá. A régebbi TTS szavanként, monoton hangon olvasott. A modern AI szövegfelolvasás előbb az egész szakaszt végigolvassa, így érti, melyik szót kell hangsúlyozni, hol válik a mondat kérdéssé, és mikor ad nyomatékot egy szünet, és úgy beszél, mint egy ember: levegővétellel és ritmussal.

A Mage-en a szövegfelolvasás az Eleven Speech-en fut, az ElevenLabs legújabb, Eleven v4 modelljén. Legfeljebb 5000 karaktert illeszthetsz be, választasz a 16 hang közül, és kapsz egy MP3-at, amely pontosan addig tart, amíg a felolvasás. A szögletes zárójeles hangcímkék, például [whispers], [laughs] vagy [excited], az előadásmódot irányítják, anélkül hogy felolvasnák őket.

Ugyanabban a fiókban van, mint a Mage kép- és videómodelljei. Egy narráció közvetlenül mehet egy videó alá, egy karakterre hangként, vagy a Lipsync appba, hogy egy portré kimondja.

A szövegfelolvasó pontosan azt olvassa fel, amit megadsz neki, ezért a fülnek írj. Azt írd ki, ahogyan hangzania kell: „tizenkét óra” a „12 ó” helyett, „kétezer-huszonhat” ha évszámként kell olvasni, és teljes szavakat a rövidítések helyett, ha nem betűzni kell őket. Bontsd rövidebb mondatokra a hosszúakat: a hallgató nem tud visszagörgetni.

A központozás a legolcsóbb eszköz a tempó irányítására. A vessző rövid levegővétel, a pont hosszabb szünet, a három pont tétovázás, a gondolatjel pedig hirtelen megtorpanás. A kérdőjel az egész mondat dallamát megváltoztatja, ezért ellenőrizd, hogy a kérdések tényleg azzal végződnek.

• Írd ki a számokat betűvel, ha számít a felolvasás módja
• Legyenek rövidek és beszédszerűek a mondatok
• Három pont a szünetekhez, gondolatjel a megtorpanásokhoz
• Generálás előtt olvasd fel egyszer hangosan a szöveget
• Bontsd fejezetekre a nagyon hosszú szövegeket

A 16 hang a leggyakoribb feladatokat lefedi. Hosszú narrációhoz és hangoskönyvekhez válassz kiegyensúlyozott mesélőt, például Darian, Florence vagy Sawyer hangját. Hírekhez, oktatáshoz és magyarázó videókhoz egy tiszta hangú bemondót, például Aliciát vagy Eldrint. Reklámokhoz és közösségi videókhoz lendületes, modern hangot, például Elowent, Jade-et vagy Lawrence-t. Játékokhoz karakterhangot, például Kaelent.

Minden hang minden támogatott nyelven megszólal, így egy spanyol vagy japán szöveghez is bármelyik használható. Generáld le az első két-három mondatot több hanggal, hasonlítsd össze őket, majd a teljes szöveget a legjobban illő hanggal futtasd le.

Az Eleven v4 a szögletes zárójelben lévő címkéket rendezői utasításként értelmezi. A [excited], [nervous], [sarcastic] és [softly] az érzelmet változtatja; a [whispers] és [shouting] a hangerőt; a [sighs], [laughs] és [gulps] reakciót ad hozzá; a [door creaks] vagy [applause] hanghatást illeszt a felolvasásba. A címkét közvetlenül a módosítani kívánt mondat elé írd, és mondatonként egyet-kettőt használj.

A címkéktől életre kelnek a párbeszédek és a karaktersorok, a sima narrációhoz viszont gyakran nem kell egy sem. Ha olyan karakterhangra van szükséged, amely minden videóban ugyanaz marad, nézd meg az AI hanggenerátor útmutatót, a dalokhoz és a zenei aláfestésekhez pedig az AI zenegenerátort.

Ugyanezek a hangok a Mage API-n keresztül is elérhetők: küldd el a szöveget és egy hangot a POST /v1/eleven_speech/generate végpontra, és MP3-at kapsz vissza, 250 karakteres blokkok szerint árazva. A Mage API oldal ismerteti a kulcsokat és az árakat. Ha a Mage MCP szerver csatlakoztatva van, Claude, ChatGPT és más asszisztensek a chatben felolvashatnak neked egy szöveget, miután megmondták, hány Gembe kerül.