Zamiana tekstu na mowę AI

Zamiana tekstu na mowę, czyli TTS, zmienia tekst pisany w mówione audio. Starsze systemy TTS czytały słowa jedno po drugim monotonnym głosem. Nowoczesny TTS oparty na AI najpierw czyta cały fragment, więc rozumie, które słowo zaakcentować, gdzie zdanie zmienia się w pytanie i kiedy pauza podkreśla myśl, a mówi z oddechem i rytmem człowieka.

W Mage zamiana tekstu na mowę działa na Eleven Speech, najnowszym modelu ElevenLabs, Eleven v4. Wklejasz do 5000 znaków, wybierasz jeden z 16 głosów i dostajesz plik MP3 trwający dokładnie tyle, ile czytanie. Tagi audio w nawiasach kwadratowych, takie jak [whispers], [laughs] czy [excited], kierują sposobem mówienia i nie są czytane na głos.

Działa na tym samym koncie co modele obrazów i wideo w Mage. Narrację możesz od razu podłożyć pod wideo, przypisać postaci jako jej głos albo wgrać do aplikacji Lipsync, aby portret ją wypowiedział.

Zamiana tekstu na mowę czyta dokładnie to, co jej podasz, więc pisz z myślą o słuchaczu. Zapisuj słowa tak, jak mają brzmieć: „dwanaście godzin” zamiast „12 godz.”, „rok dwa tysiące dwudziesty szósty”, jeśli liczba ma zabrzmieć jak rok, oraz pełne słowa zamiast skrótów, które nie mają być literowane. Dziel długie zdania na krótsze – słuchacz nie może przewinąć do tyłu.

Interpunkcja to najtańszy sposób na kierowanie tempem. Przecinek to krótki oddech, kropka dłuższy, wielokropek wahanie, a myślnik nagłe urwanie. Znak zapytania zmienia melodię całego zdania, więc sprawdź, czy pytania na pewno nim się kończą.

• Zapisuj liczby słownie, gdy ważne jest ich odczytanie
• Pisz krótkie zdania, tak jak się mówi
• Używaj wielokropków do pauz, a myślników do przerw
• Przeczytaj skrypt na głos, zanim wygenerujesz nagranie
• Bardzo długie teksty podziel na rozdziały

16 głosów pokrywa najczęstsze zastosowania. Do długiej narracji i audiobooków wybierz spokojnego gawędziarza, np. Dariana, Florence lub Sawyera. Do wiadomości, szkoleń i filmów objaśniających – wyraźnego prezentera, np. Alicię lub Eldrina. Do reklam i wideo w social mediach – energiczny, nowoczesny głos, np. Elowen, Jade lub Lawrence'a. Do gier – głos postaci, np. Kaelena.

Każdy głos mówi we wszystkich obsługiwanych językach, więc skrypt po hiszpańsku czy japońsku zadziała z każdym z nich. Wygeneruj pierwsze dwa–trzy zdania kilkoma głosami, porównaj je, a potem nagraj cały skrypt tym, który pasuje najlepiej.

Eleven v4 traktuje tagi w nawiasach kwadratowych jak wskazówki reżyserskie. [excited], [nervous], [sarcastic] i [softly] zmieniają emocje; [whispers] i [shouting] zmieniają głośność; [sighs], [laughs] i [gulps] dodają reakcję; [door creaks] lub [applause] dodają dźwięk w trakcie czytania. Wstaw tag tuż przed zdaniem, które ma zmienić, i używaj jednego lub dwóch na zdanie.

Tagi ożywiają dialogi i kwestie postaci, a zwykła narracja często ich nie potrzebuje. Jeśli głosy postaci mają brzmieć tak samo w każdym wideo, zobacz poradnik: generator głosu AI, a o piosenkach i podkładach muzycznych przeczytasz w poradniku: generator muzyki AI.

Te same głosy działają przez Mage API: wyślij tekst i wybrany głos na POST /v1/eleven_speech/generate, a w odpowiedzi dostaniesz plik MP3. Rozliczenie odbywa się w blokach po 250 znaków. Dodatkowo strona Mage API. Gdy podłączysz serwer Mage MCP, Claude, ChatGPT i inne asystenty mogą przeczytać skrypt na głos w czacie, po wcześniejszym podaniu kosztu w Gems.