Lue teksti ääneen
Tai liitä tekstityksen teksti
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 lukee tekstiä ääneen. Liitä kappale tai pudota tiedosto — .txt, .srt, .vtt, mikä tahansa kahdestatoista tekstitysmuodosta — valitse yksi kymmenestä äänestä ja saat takaisin yhden äänitiedoston, jossa koko juttu luetaan alusta loppuun. Mitään ei ajasteta, koska ei ole mitään, mitä vasten ajastaa: tuloste on yhtäjaksoinen lukeminen, ei kuvaa varten rakennettu raita.
Kun pudottamasi tiedosto on tekstitystiedosto, aikakoodit jäsennetään pois ja heitetään menemään. Luetaan jokaisen alaotsikon teksti järjestyksessä kappaleiksi yhdistettynä; alaotsikon sisäiset rivinvaihdot muuttuvat välilyönneiksi, koska ne olivat ruudun typografisia valintoja, ja alaotsikoiden rajat eivät muutu miksikään. Se on päinvastoin kuin mitä kerrontasivu tekee, ja kaksi sivua istuvat rinnakkain, jotta valinta on näkyvä eikä kätketty valintaruutuun: toinen tuottaa ääntä, joka seuraa aikajanaa, toinen ääntä, joka yksinkertaisesti virtaa.
Teksti syntetisoidaan paloina eikä yhdellä kertaa. Mallin tokenisoija katkaisee hiljaa kaiken yli 510 foneemin — kahdentuhannen sanan artikkeli palaisi kahtena ensimmäisenä lauseenaan, ja tiedosto näyttäisi täysin kelvolliselta. Niinpä teksti jaetaan kappaleiden katkoksista, sitten lauseen päättävästä välimerkistä ja vielä kovemmin yksittäisen lauseen kohdalla, joka ylittää 400 merkkiä, ja palat syntetisoidaan peräkkäin lyhyellä tauolla niiden välissä. Siinä on myös kohta, jossa peruminen astuu voimaan: puhuminen tapahtuu omalla säikeellään, joten peruutusnappi pysäyttää sen hetkessä sen sijaan että odottaisi nykyisen lauseen loppua, ja sivu pysyy käyttökelpoisena äänen valmistuessa.
Ääniluettelo on kymmenen ääntä seitsemällä kielellä — englanti (Yhdysvallat ja Britannia), espanja, ranska, italia, hindi ja brasilianportugali. Japania ja kiinaa ei tarjota: ääntämiseen käytetyllä fonemisoijalla ei ole kummallekaan ääntä, joten japaniksi nimetty vaihtoehto lukisi kanji-merkit englannin kirjaimina ja kuulostaisi itsevarman väärältä. Noin 98 MB mallia ja fonemisoijaa ladataan kerran ja välimuistetaan; liittämäsi teksti ei koskaan poistu selaimesta, millä on merkitystä, kun kappale on asiakkaan kirje tai lääketieteellinen muistiinpano.
Usein kysytyt kysymykset
Jos pudotan tähän .srt-tiedoston, sisältääkö lukeminen aikakoodit tai alaotsikkonumerot?
Ei kumpiakaan. Tiedosto jäsennetään samalla muotokerroksella, jota muunnossivut käyttävät, ja vain jokaisen alaotsikon teksti pidetään — indeksinumerot, ajoitusten 00:00:01,000 --> -rakenne ja sisäiset tagit kuten <i> tai {\pos()} ovat poissa ennen synteesiä. Kuulet sanat siinä järjestyksessä, jossa ne esiintyvät. Jos haluat ajoitusten tulevan kunnioitetuiksi sen sijaan että ne hylätään, käytä sivua, joka kertoo tekstitystiedoston ääneksi ja sijoittaa jokaisen alaotsikon omaan alkuunsa.
Voiko liitetyn tekstin kenttään laittaa kokonaisen artikkelin, vai onko se vain parille lauseelle?
Kokonainen artikkeli käy, koska teksti paloitellaan ennen kuin se saavuttaa mallin. Liitetty sisältö kääritään pelkän tekstin tiedostoksi ja se menee samaan jonoon kuin pudotettu tiedosto, joten se saa saman 400 merkin paloittelun, saman edistymispalkin ja saman peruutusnapin. Käytännön raja on muisti eikä pituus: pitkä artikkeli tuottaa pitkän WAVin, ja tunti 24 kHz:n mono-PCM:ää on muutama sata megatavua, joten MP3:n valitseminen kannattaa, jos lukeminen kestää enemmän kuin muutaman minuutin.
Miksi lauseiden väliset tauot kuulostavat täällä pidemmiltä kuin tekstityksen kerronnassa?
Koska palojen väliin lisätään neljännessekunti hiljaisuutta, jotta peräkkäiset lauseet eivät juokse yhteen, kun taas tekstityksen kerrontasivu sijoittaa jokaisen rivin alaotsikon tarkkaan alkuun ja täyttää sen raon, joka tekstityksessä jo oli. Täällä rako on kiinteä 250 ms sisällöstä riippumatta, koska ei ole aikajanaa, jolle uskollinen olla. Yhden palan sisällä olevat lauseet yhdistää mallin oma välimerkkikäsittely, joten vain palojen rajat — suunnilleen 400 merkin välein — saavat sen ylimääräisen tauon.
Mitkä äänet ovat tarjolla espanjalle ja portugalille, ja onko niitä yksi vai useita?
Yksi kummallekin: ef_dora espanjalle ja pf_dora brasilianportugalille, kahden Yhdysvalloista tulevan englanninvariantin (af_heart, af_bella), vielä yhden amerikkalaisen äänen (am_michael), kahden brittiläisen äänen (bf_emma, bm_george), ranskalle ff_siwis, hindille hf_alpha ja italialle if_sara lisäksi. Useita englanninääniä on siksi, että suurin osa kerrontapyynnöistä on sillä kielellä; muut kielet saavat yhden, jotta luettelo pysyy tarpeeksi lyhyenä koekuunneltavaksi. Ääni asettaa sävyn lisäksi korostuksen, joten se päättää myös, millä kielen foneemeilla teksti luetaan.
Onko tuloksena oleva MP3 tai M4A turvallista julkaista podcast-jaksona?
Teknisesti kyllä — molemmat ovat tavallisia säiliöitä, jotka paikallinen ffmpeg-koonti koodaa, ja ääni on 24 kHz:n mono, mikä on puheelle sopivaa ja musiikille ohutta. Toimituksellisesti kuuntele ennen julkaisua: malli joskus leikkaa viimeisen konsonantin, korostaa erisnimeä oudosti tai lukee lyhenteen kirjain kirjaimelta. Mitään ei lähetetä sen aikana eikä ääneen upoteta vesileimaa tai seurantaa, mutta synteettinen ääni ei myöskään kanna paljastusta, joten jos yleisösi odottaa ihmislukijaa, sano kumpi se on.