Læs undertekster højt med tale
Den første kørsel downloader stemmemodellen og fonemiseringen – cirka 98 MB tilsammen, leveret af dette websted og cachet af browseren bagefter. Den undertekst eller tekst, du slipper ind, forlader aldrig denne fane. Vælger du MP3 eller M4A, downloades yderligere 31 MB encoder, hvilket er grunden til, at WAV er standarden.
Indstillinger
En stemme afgør accenten og klangen og – mindre indlysende – hvilket lydsystem teksten læses med. At parre en spansk stemme med en engelsk sætning fejler ikke: den læser engelske ord med spanske lyde, hvilket er værre end en fejlmeddelelse. Der tilbydes syv sprog, ikke tolv, fordi den fonemisering, der følger med denne side, ikke har nogen stemme til japansk eller kinesisk. Lyt til en kort fil, før du forpligter dig til en lang; hver stemme bærer samme model, så at skifte koster én syntese, ikke en ny download.
Hvor hurtigt stemmen læser, anvendt oven på det tempo, modellen anser for naturligt. Langsom er 0,8× og hurtig er 1,2× – med vilje mild, fordi modellen efter cirka 1,5× begynder at sluge stavelser, og resultatet lyder som én, der skynder sig, snarere end én, der taler hurtigt. Når en undertekstblok er for kort til sin replik, hæver denne side selv hastigheden op til 1,4×, før den afkorter, og den forhøjelse ganges med den indstilling, du vælger her.
WAV er ukomprimeret 24 kHz mono, skrevet her helt uden en encoder – hvilket er grunden til, at det er standarden, og hvorfor intet ekstra downloades til det. MP3 og M4A kræver den 31 MB store videomotor for at komprimere, men kommer ud cirka ti gange mindre: ti minutters tale er omkring 28 MB som WAV og omkring 2,8 MB som MP3. Vælg WAV for at prøve en stemme, MP3 for at sende filen til nogen.
Denne side laver en undertekstfil om til et talet spor, der følger den. Hver blok læses højt og placeres på det øjeblik, blokken begynder, så resultatet er én lydfil – film.wav – hvor ordene lander under underteksterne frem for oven i hinanden. Stilhed fylder hullerne mellem blokkene, og den samlede længde svarer til slutningen af den sidste blok, hvilket betyder, at lyden kan lægges mod det samme billede, som underteksterne blev lavet til.
Grunden til, at denne side findes separat fra den almindelige oplæsningsside, er, at timingen er det svære. En sætning, der tager fire sekunder at sige, men har en blok på to sekunder, kan ikke bare sættes ind: den ville løbe ind under den næste, og to stemmer på én gang er støj, ikke oplæsning. Så hver linje syntetiseres med den hastighed, du valgte, måles, og – hvis den ikke passer – syntetiseres én gang mere i et hurtigere tempo, op til 1,4×. Det, der stadig ikke passer, klippes ved næste bloks start, og antallet af blokke, det gik ud over, rapporteres som et tab frem for at blive slugt.
Stemmelisten er ti stemmer på syv sprog: engelsk fra USA og Storbritannien, spansk, fransk, italiensk, hindi og brasiliansk portugisisk. En stemme er ikke bare en klang – den afgør, med hvilket sprogs lyde teksten læses, så at parre en spansk stemme med engelsk tekst giver noget, der hverken er det ene eller det andet. Japansk og kinesisk mangler med vilje: den fonemiseringsmotor, der følger med denne side, har ingen stemme til nogen af dem, og at liste dem ville give selvsikker volapyk frem for en fejlmeddelelse.
Arbejdet foregår lokalt. Omkring 98 MB model og fonemisering downloades én gang fra dette sted og caches bagefter af browseren; selve undertekstfilen forlader aldrig fanen. Output er WAV som standard, fordi det slet ikke kræver en encoder – vælger du MP3 eller M4A, indlæses en ffmpeg-kerne på 31 MB for at komprimere resultatet, hvilket er værd at betale for alt, du har tænkt dig at sende til nogen.
Ofte stillede spørgsmål
Hvorfor klipper WAV-filen fra denne side lejlighedsvis en sætning kort, når SRT-filen er i orden?
Fordi klipningen skyldes blokken, ikke filen. En blok, der står på skærmen i 1,8 sekunder, kan ikke rumme en linje, der tager tre sekunder at sige, medmindre stemmen presses over 1,4× – og derefter holder ordene op med at være forståelige. Siden prøver først din valgte hastighed og syntetiserer derefter én gang til med den hastighed, der ville få det til at passe, dog højst 1,4×. Løber det stadig over, afkortes lyden ved begyndelsen af den følgende blok, så to linjer aldrig lyder samtidig, og antallet af berørte blokke står i tabrapporten under køen.
Hvad sker der med ASS-stil, farver og placeringer på skærmen, når de læses til oplæsning?
De droppes, og det er rigtigt her – en lydfil har ingen farve og ingen placering på skærmen. Det, der overlever, er teksten i hver blok og dens start- og sluttid, hvilket er præcis, hvad placeringen har brug for. Fed, kursiv, karaoketiminger og {\anN}-placerings-overstyringer parses væk af formatlaget før syntesen, så en linje markeret som kursiv i ASS-filen læses med samme stemme som resten. Har du brug for stilen bevaret, så konverter underteksterne først; denne sides produkt er lyd.
Kan en SRT-blok med to linjer læses som en sammenhængende sætning?
Ja, og det bliver den altid. Et hårdt linjeskift inde i en blok er en typografisk beslutning – et sted, hvor undertekstforfatteren syntes, linjen blev for lang på skærmen – ikke et sted, hvor taleren holdt pause. Så de to linjer slås sammen med et mellemrum og syntetiseres som et ytring, hvilket er grunden til, at en blok delt over to linjer stadig lyder som ét åndedrag frem for to talere, der skiftes. Kun en blokgrænse giver en pause i outputtet.
Hvilke sprog kan talet sporet faktisk tale, og hvad sker der med japanske undertekster?
Syv: en-US, en-GB, es, fr, hi, it og pt-BR. Japansk og kinesisk er ikke blandt dem, fordi den fonemiseringsmotor, der følger med siden (espeak-ng), ikke leverer nogen stemme til nogen af dem, selv om selve talemodellen blev trænet på dem. At give en japansk .srt til en engelsk stemme fejler ikke højlydt – de latinske bogstaver læses som engelsk, og kanji springes over eller forvanskes. Den ærlige arbejdsgang for de sprog er at vente på en version, der bærer en japansk eller kinesisk fonemiseringsmotor, frem for at acceptere et spor, der lyder plausibelt og er forkert.
Er MP3 de ekstra 31 MB værd sammenlignet med den WAV, siden giver som standard?
For alt længere end et par minutter, ja. WAV er ukomprimeret 24 kHz mono-PCM, så ti minutters oplæsning er cirka 28 MB, mens den samme lyd kodet som MP3 ved 128 kbps er omkring 2,8 MB. Handlen er, at MP3 og M4A kræver, at ffmpeg-kernen downloades én gang, hvilket er grunden til, at WAV er standard: vil du kun høre, hvordan en stemme lyder, hentes intet ekstra. Når encoderen er cachet, er en ny konvertering af den samme undertekst med de samme indstillinger hurtig.