Lue tekstitys ääneen
Ensimmäinen ajo lataa äänimallin ja foneemintajan — yhdessä noin 98 MB, tarjoiltuna tältä sivustolta ja selaimen välimuistiin jäävänä. Pudottamasi tekstitys tai teksti ei koskaan poistu tästä välilehdestä. MP3:n tai M4A:n valitseminen lataa vielä 31 MB koodekkia, minkä vuoksi WAV on oletus.
Asetukset
Ääni päättää aksentista ja soinnista ja — vähemmän ilmeisesti — siitä, millä äänijärjestelmällä teksti luetaan. Espanjankielisen äänen yhdistäminen englanninkieliseen lauseeseen ei epäonnistu: se lukee englannin sanoja espanjalaisilla äänteillä, mikä on pahempaa kuin virheilmoitus. Kieliä tarjotaan seitsemän eikä kahtatoista, koska tämän sivun mukana tulevalla foneemintajalla ei ole ääntä japanille eikä kiinalle. Kuuntele lyhyt tiedosto ennen pitkään sitoutumista; jokainen ääni kantaa samaa mallia, joten vaihtaminen maksaa yhden synteesin, ei yhtä latausta.
Kuinka nopeasti ääni lukee, mallin luonnollisena pitämän tahdin päälle. Hidas on 0,8× ja nopea 1,2× — tarkoituksella maltillinen, koska noin 1,5×:n jälkeen malli alkaa niellä tavuja ja tulos kuulostaa joltakulta, joka kiirehtii, ei joltakulta, joka puhuu nopeasti. Kun tekstityksen alaotsikko on rivilleen liian lyhyt, tämä sivu nostaa nopeutta itsestään 1,4×:ään asti ennen katkaisua, ja tämä korotus kertautuu tässä valitsemasi asetuksen kanssa.
WAV on pakkaamaton 24 kHz mono, kirjoitettu täällä ilman koodekkia — minkä vuoksi se on oletus ja minkä vuoksi siihen ei ladata mitään ylimääräistä. MP3 ja M4A tarvitsevat 31 MB:n video-moottorin pakkaamiseen mutta tulevat noin kymmenen kertaa pienempinä: kymmenen minuuttia puhetta on WAV:na noin 28 MB ja MP3:na noin 2,8 MB. Valitse WAV äänen kokeilemiseen, MP3 tiedoston lähettämiseen.
Tämä sivu muuttaa tekstitystiedoston ääniraidaksi, joka seuraa sitä. Jokainen alaotsikko lausutaan ääneen ja sijoitetaan hetkeen, jolloin se alkaa, joten tuloksena on yksi äänitiedosto — film.wav — jossa sanat laskeutuvat tekstitysten alle eivätkä toistensa päälle. Hiljaisuus täyttää alaotsikoiden väliset raot, ja kokonaispituus vastaa viimeisen alaotsikon loppua, mikä tarkoittaa, että ääni voidaan asettaa samaa kuvaa vasten, jota varten tekstitys tehtiin.
Syy siihen, että tämä sivu on erillään pelkän lukemisen sivusta, on ajoitus: se on vaikea osa. Lausetta, jonka sanomiseen menee neljä sekuntia mutta jonka alaotsikko on kahden sekunnin mittainen, ei voi yksinkertaisesti pudottaa sisään: se juoksisi seuraavan alle, ja kaksi ääntä kerralla on kohinaa eikä kerrontaa. Niinpä jokainen rivi syntetisoidaan valitsemallasi nopeudella, mitataan ja — jos se ei mahdu — syntetisoidaan vielä kerran nopeammalla tahdilla, enintään 1,4-kertaisella. Kaikki, mikä ei vieläkään mahdu, katkaistaan seuraavan alaotsikon alussa, ja niiden alaotsikoiden määrä raportoidaan menetyksenä sen sijaan että ne nieltäisiin.
Ääniluettelo on kymmenen ääntä seitsemällä kielellä: englanti Yhdysvalloista ja Britanniasta, espanja, ranska, italia, hindi ja brasilianportugali. Ääni ei ole vain sävy — se päättää, millä kielen äänteillä teksti luetaan, joten espanjalaisen äänen yhdistäminen englanninkieliseen tekstiin tuottaa jotain, joka ei ole kumpaakaan. Japani ja kiina puuttuvat tarkoituksella: tämän sivun mukana tulevalla fonemisoijalla ei ole kummallekaan ääntä, ja niiden listaaminen tuottaisi itsevarman näköistä hölynpölyä virheilmoituksen sijaan.
Työ on paikallista. Noin 98 MB mallia ja fonemisoijaa ladataan kerran tältä sivustolta ja selain välimuistaa ne sen jälkeen; tekstitystiedosto itse ei koskaan poistu välilehdeltä. Tuloste on oletuksena WAV, koska se ei tarvitse koodekkia lainkaan — MP3:n tai M4A:n valitseminen lataa 31 MB:n ffmpeg-ytimen tuloksen pakkaamiseen, mikä on sen arvoista kaikelle, minkä aiot lähettää jollekulle.
Usein kysytyt kysymykset
Miksi tämän sivun WAV joskus katkaisee lauseen, vaikka SRT-tiedosto on kunnossa?
Koska katkaisun aiheuttaa alaotsikko eikä tiedosto. Alaotsikko, joka pysyy ruudulla 1,8 sekuntia, ei voi pitää riviä, jonka sanomiseen menee kolme sekuntia, ellei ääntä työnnetä yli 1,4-kertaiseksi — ja sen pisteen jälkeen sanoista ei enää saa selvää. Sivu yrittää ensin valitsemaasi nopeutta, syntetisoi sitten kerran uudelleen tahdilla, joka saisi sen mahtumaan, enintään 1,4-kertaisella. Jos se ylittää silti, ääni katkaistaan seuraavan alaotsikon alussa, jotta kaksi riviä ei kuulostaisi koskaan yhtä aikaa, ja kärsineiden alaotsikoiden määrä näkyy jonon alla olevassa menetysraportissa.
Mitä ASS-tyylittelylle, väreille ja ruudunsijainneille tapahtuu, kun ne luetaan kerrontaa varten?
Ne pudotetaan, ja se on tässä oikein — äänitiedostossa ei ole väriä eikä ruudunsijaintia. Jäljelle jää jokaisen alaotsikon teksti sekä alku- ja loppuajat, mikä on täsmälleen se, mitä sijoittelu tarvitsee. Lihavointi, kursiivi, karaokeajoitukset ja {\anN}-sijaintiohitukset jäsennetään pois muotokerroksessa ennen synteesiä, joten ASS-tiedostossa kursiiviksi merkitty rivi luetaan samalla äänellä kuin muut. Jos tarvitset tyylittelyn säilyvän, muunna tekstitys ensin; tämän sivun tuote on ääni.
Voiko kahden rivin SRT-alaotsikon lausua yhtenä jatkuvana lauseena?
Voi, ja se tehdään aina. Alaotsikon sisäinen kova rivinvaihto on typografinen päätös — kohta, jossa tekstittäjä päätti, että rivi kävi liian pitkäksi ruudulle — eikä kohta, jossa puhuja piti tauon. Niinpä kaksi riviä yhdistetään välilyönnillä ja syntetisoidaan yhtenä lausumana, minkä vuoksi rivien yli jaettu alaotsikko kuulostaa silti yhdeltä hengähdykseltä eikä kahdelta vuorottelevalta puhujalta. Vain alaotsikon raja tuottaa tauon tulosteeseen.
Mitä kieliä ääniraita todella voi puhua, ja mitä japanilaisille tekstityksille tapahtuu?
Seitsemää: en-US, en-GB, es, fr, hi, it ja pt-BR. Japani ja kiina eivät ole niiden joukossa, koska tämän sivun mukana tulevalla fonemisoijalla (espeak-ng) ei ole kummallekaan ääntä, vaikka puhemalli itse koulutettiin niillä. Japanilaisen .srt:n syöttäminen englanninkieliselle äänelle ei epäonnistu äänekkäästi — latinalaiset kirjaimet luetaan englanniksi ja kanji-merkit ohitetaan tai mäjäytetään. Näiden kielten rehellinen työnkulku on odottaa koontia, jossa on japanilainen tai kiinalainen fonemisoija, sen sijaan että hyväksyisi raidan, joka kuulostaa uskottavalta ja on väärä.
Kannattaako MP3:n ylimääräinen 31 MB verrattuna tämän sivun oletuksena antamaan WAViin?
Kaikelle muutamaa minuuttia pidemmälle kyllä. WAV on pakkaamatonta 24 kHz:n mono-PCM:ää, joten kymmenen minuuttia kerrontaa on noin 28 MB, kun sama ääni MP3:na 128 kbps:nä on noin 2,8 MB. Kaupan ehtona on, että MP3 ja M4A tarvitsevat ffmpeg-ytimen kerran ladattavaksi, minkä vuoksi WAV on oletus: jos haluat vain tarkistaa, miltä ääni kuulostaa, mitään ylimääräistä ei haeta. Kun koodekki on välimuistissa, saman tekstityksen muuntaminen uudelleen samoilla asetuksilla on nopeaa.