पाठ को बोलकर सुनाएँ
या सबटाइटल टेक्स्ट पेस्ट करें
पहले चलाने पर आवाज़ मॉडल और फ़ोनिमाइज़र डाउनलोड होते हैं — दोनों मिलाकर लगभग 98 MB, यह साइट परोसती है और ब्राउज़र उन्हें बाद में कैश कर लेता है। आपकी छोड़ी सबटाइटल या टेक्स्ट फ़ाइल इस टैब से कभी बाहर नहीं जाती। MP3 या M4A चुनने पर 31 MB का एनकोडर और डाउनलोड होता है, इसीलिए WAV डिफ़ॉल्ट है।
विकल्प
आवाज़ लहजा और मिट्ठास तय करती है, और — कम स्पष्ट रूप से — यह भी कि टेक्स्ट किस ध्वनि-प्रणाली से पढ़ा जाएगा। स्पेनिश आवाज़ को अंग्रेज़ी वाक्य के साथ जोड़ना विफल नहीं होता: वह अंग्रेज़ी शब्दों को स्पेनिश ध्वनियों से पढ़ता है, जो त्रुटि संदेश से बुरा है। सात भाषाएँ दी गई हैं, बारह नहीं, क्योंकि इस पेज के साथ आने वाले फ़ोनिमाइज़र के पास जापानी या चीनी के लिए आवाज़ नहीं है। लंबी फ़ाइल पर रुकने से पहले छोटी फ़ाइल सुनें; हर आवाज़ वही मॉडल ले जाती है, इसलिए बदलने पर एक सिंथेसिस लगती है, एक डाउनलोड नहीं।
आवाज़ कितनी तेज़ पढ़ती है, जो मॉडल के स्वाभाविक माने जाने वाले ठहराव के ऊपर लगता है। Slow 0.8× है और fast 1.2× — जानबूझकर हल्का, क्योंकि लगभग 1.5× के आगे मॉडल अक्षर निगलने लगता है और नतीजा तेज़ बोलने वाले के बजाय जल्दबाज़ी करने वाले जैसा सुनाई देता है। जब कोई सबटाइटल क्यू अपनी पंक्ति के लिए बहुत छोटा हो, यह पेज काटने से पहले खुद गति को 1.4× तक बढ़ाता है, और वह बढ़ोतरी यहाँ चुनी सेटिंग से गुणा होती है।
WAV बिना संपीड़न वाला 24 kHz मोनो है, यहाँ बिना किसी एनकोडर के लिखा जाता है — इसीलिए यह डिफ़ॉल्ट है और इसके लिए कुछ अतिरिक्त डाउनलोड नहीं होता। MP3 और M4A को संपीड़ित करने के लिए 31 MB का वीडियो इंजन चाहिए, पर वे लगभग दस गुना छोटे निकलते हैं: दस मिनट की बोली WAV में लगभग 28 MB और MP3 में लगभग 2.8 MB होती है। आवाज़ सुनकर जाँचने के लिए WAV चुनें, फ़ाइल किसी को भेजने के लिए MP3।
यह पेज लिखे पाठ को एक लगातार ऑडियो फ़ाइल में बदलता है, बिना समय की शर्त के। आप सीधे पाठ चिपकाते हैं या सबटाइटल तथा टेक्स्ट फ़ाइल देते हैं, और पेज पाठ को वाक्यों में बाँटकर उन्हें एक के बाद एक बोलता है — बीच में वे खामोशी के अंतराल नहीं आते जो सबटाइटल में थे। यह उस पेज से अलग है जो cue को उनके असली क्षणों पर बिठाता है; यहाँ सवाल “कब” का नहीं, “क्या और कैसे” का है।
लंबे पाठ टुकड़ों में बाँटकर बोले जाते हैं: पैराग्राफ, वाक्य, और फिर अगर ज़रूरत पड़े तो लगभग 400 अक्षरों के हिस्से, ताकि कोई एक हिस्सा मॉडल की सीमा से न टकराए। मॉडल का एक सख़्त अंतर है: एक बार में लगभग 510 फ़ोनेम, इससे लंबा इनपुट चुपचाप कट जाता है। इसीलिए बँटवारा पहले से होता है, और कटी हुई ऑडियो नहीं बनती।
आवाज़ स्थानीय Kokoro मॉडल से आती है — दस आवाज़ें सात भाषाओं में। मॉडल और फ़ोनेमाइज़र मिलाकर लगभग 98 MB हैं और पहली बार काम शुरू करने पर डाउनलोड होते हैं। नतीजा WAV है; MP3 या M4A चुनने पर ffmpeg कोडेक अलग से लगभग 31 MB लाता है। पूरा काम ब्राउज़र में होता है, पाठ कहीं नहीं जाता, और ध्वनि-संश्लेषण अलग थ्रेड में चलने से काम तुरंत रोका जा सकता है।
अक्सर पूछे जाने वाले सवाल
यह पेज पाठ से लगातार आवाज़ कैसे बनाता है?
पाठ को पैराग्राफ और वाक्यों में बाँटा जाता है, हर हिस्सा स्थानीय Kokoro मॉडल से बोला जाता है और सब हिस्से एक के बाद एक जोड़कर एक ऑडियो फ़ाइल बनती है। सबटाइटल का समय यहाँ मायने नहीं रखता — वह उतार दिया जाता है — क्योंकि यह लगातार वाचन है, किसी वीडियो के साथ मेल खाती आवाज़ नहीं।
यह narrate-subtitles पेज से कैसे अलग है?
समय से। वहाँ हर cue अपने असली क्षण पर बोली जाती है और बीच की खामोशी स्रोत से आती है, इसलिए नतीजा वीडियो के साथ बज सकता है। यहाँ पूरा पाठ एक लगातार धारा की तरह बोला जाता है और समय हटा दिया जाता है, इसलिए यह एक ऑडियो-पुस्तक या वाचन जैसा नतीजा है, न कि सिंक किया हुआ ट्रैक।
मॉडल का आकार कितना है और कब आता है?
लगभग 98 MB, Kokoro मॉडल और फ़ोनेमाइज़र मिलाकर। यह पेज खुलने पर नहीं, पहली बार काम शुरू करने पर डाउनलोड होता है और उसके बाद ब्राउज़र में सहेजा रहता है। इसलिए पहली बार इंटरनेट ज़रूरी है, और उसके बाद वही आवाज़ें बिना नेटवर्क के भी चलती हैं।
लंबे पाठ के साथ क्या सीमा है?
मॉडल एक बार में लगभग 510 फ़ोनेम तक स्वीकारता है, इससे लंबा इनपुट चुपचाप कट जाता है। इसलिए पेज पाठ को पैराग्राफ, वाक्यों और फिर लगभग 400 अक्षरों के हिस्सों में बाँटता है और हर हिस्सा अलग बोलकर जोड़ता है। इस तरह किसी भी हिस्से का आख़िरी शब्द बिना कारण खोता नहीं।
क्या काम तुरंत रोका जा सकता है?
हाँ। ध्वनि-संश्लेषण अलग थ्रेड में चलता है, इसलिए रोकने पर वह थ्रेड बंद हो जाता है और नियंत्रण तुरंत लौटता है — मॉडल के अंदर चल रही लंबी गणना का इंतज़ार नहीं करना पड़ता। यह उन पेजों से अलग है जहाँ रुकावट अगले चरण पर असर करती है; यहाँ रोकना तुरंत होता है।