Text în vorbire cu AI

Text în vorbire, sau TTS, transformă textul scris în sunet vorbit. TTS-ul de modă veche citea cuvintele unul după altul, pe o voce monotonă. Text în vorbire cu AI citește mai întâi tot pasajul, așa că înțelege ce cuvânt să accentueze, unde o propoziție devine întrebare și când o pauză subliniază ceva, iar vorbește cu respirația și ritmul unui om.

Pe Mage, text în vorbire rulează pe Eleven Speech, cel mai nou model ElevenLabs, Eleven v4. Lipești până la 5.000 de caractere, alegi una dintre cele 16 voci și primești un MP3 care durează exact cât citirea. Tagurile audio între paranteze drepte, precum [whispers], [laughs] sau [excited], dirijează interpretarea fără să fie citite cu voce tare.

Funcționează în același cont cu modelele de imagine și video Mage. O narațiune poate merge direct sub un video, pe un personaj ca voce a lui sau în aplicația Lipsync, ca un portret să o rostească.

Conversia text în voce citește exact ce îi dai, așa că scrie pentru ureche. Scrie ce trebuie rostit așa cum trebuie să sune: „douăsprezece ore” în loc de „12h”, „anul două mii douăzeci și șase” dacă numărul trebuie citit ca an și cuvinte întregi pentru abrevierile care nu se citesc pe litere. Împarte propozițiile lungi în unele mai scurte; ascultătorul nu poate da înapoi.

Punctuația este cea mai simplă metodă de a controla ritmul. Virgula e o respirație scurtă, punctul una mai lungă, punctele de suspensie o ezitare, iar linia de pauză o întrerupere bruscă. Semnul întrebării schimbă melodia întregii propoziții, așa că verifică dacă întrebările se termină cu el.

• Scrie numerele cu litere când contează cum se citesc
• Folosește propoziții scurte, ca în vorbire
• Folosește puncte de suspensie pentru pauze și linii de pauză pentru întreruperi
• Citește scriptul cu voce tare o dată înainte să generezi
• Împarte textele foarte lungi în capitole

Cele 16 voci acoperă cele mai frecvente nevoi. Pentru narațiuni lungi și cărți audio, alege un povestitor calm, precum Darian, Florence sau Sawyer. Pentru știri, training și explicații, un prezentator clar, precum Alicia sau Eldrin. Pentru reclame și videoclipuri social media, o voce energică și modernă, precum Elowen, Jade sau Lawrence. Pentru jocuri, o voce de personaj, precum Kaelen.

Fiecare voce vorbește toate limbile acceptate, așa că un script în spaniolă sau japoneză merge cu oricare dintre ele. Generează primele două-trei propoziții cu câteva voci, compară-le, apoi rulează tot scriptul cu cea care se potrivește.

Eleven v4 citește etichetele din paranteze drepte ca indicații. [excited], [nervous], [sarcastic] și [softly] schimbă emoția; [whispers] și [shouting] schimbă volumul; [sighs], [laughs] și [gulps] adaugă o reacție; [door creaks] sau [applause] adaugă un sunet în interiorul lecturii. Pune eticheta chiar înaintea propoziției pe care o modifică și folosește una sau două per propoziție.

Etichetele dau viață dialogurilor și replicilor personajelor, în timp ce narațiunea simplă de multe ori nu are nevoie de ele. Pentru voci de personaj care trebuie să rămână la fel în fiecare videoclip, vezi ghidul generator de voce AI, iar pentru melodii și fundaluri muzicale, ghidul generator de muzică AI.

Aceleași voci funcționează prin API-ul Mage: trimite textul și o voce către POST /v1/eleven_speech/generate și primești înapoi un fișier MP3, cu prețul calculat pe blocuri de 250 de caractere. Documentația Pagina Mage API explică cheile și prețurile. Cu serverul Mage MCP conectat, Claude, ChatGPT și alți asistenți pot citi un script cu voce tare pentru tine, direct în chat, după ce îți spun câte Gems costă.