Bacakan subtitle dengan suara
Proses pertama mengunduh model suara dan fonemisator — sekitar 98 MB bersama-sama, disajikan oleh situs ini dan di-cache peramban setelahnya. Subtitle atau teks yang Anda lepaskan tidak pernah meninggalkan tab ini. Memilih MP3 atau M4A mengunduh 31 MB encoder tambahan, itulah sebabnya WAV menjadi bawaan.
Opsi
Suara menentukan aksen dan timbre, dan — yang kurang jelas — sistem bunyi yang dipakai untuk membaca teks. Memasangkan suara Spanyol dengan kalimat Inggris tidak gagal: ia membaca kata Inggris dengan bunyi Spanyol, yang lebih buruk daripada pesan kesalahan. Tujuh bahasa ditawarkan, bukan dua belas, karena fonemisator yang dibundel dengan halaman ini tidak punya suara untuk Jepang atau Tionghoa. Dengarkan file pendek sebelum memutuskan untuk file panjang; setiap suara memakai model yang sama, jadi berpindah hanya memerlukan satu sintesis, bukan satu unduhan.
Seberapa cepat suara membaca, diterapkan di atas tempo yang dianggap model alami. Lambat adalah 0,8× dan cepat adalah 1,2× — sengaja dibuat ringan, karena di atas sekitar 1,5× model mulai menelan suku kata dan hasilnya terdengar seperti orang yang terburu-buru, bukan orang yang berbicara cepat. Ketika cue subtitle terlalu pendek untuk barisnya, halaman ini menaikkan kecepatan sendiri hingga 1,4× sebelum memotong, dan penguatan itu berlipat dengan pengaturan yang Anda pilih di sini.
WAV adalah mono 24 kHz tanpa kompresi, ditulis di sini tanpa encoder sama sekali — itulah sebabnya WAV menjadi bawaan dan tidak ada unduhan tambahan untuknya. MP3 dan M4A memerlukan mesin video 31 MB untuk mengompresi, tetapi hasilnya sekitar sepuluh kali lebih kecil: sepuluh menit ucapan sekitar 28 MB sebagai WAV dan sekitar 2,8 MB sebagai MP3. Pilih WAV untuk mencoba suara, MP3 untuk mengirim file kepada orang lain.
Halaman ini mengubah file subtitle menjadi track suara sintetis yang mengikutinya. Setiap cue dibacakan mesin dan ditempatkan pada momen cue itu mulai, sehingga hasilnya adalah satu file audio — film.wav — tempat kata-kata mendarat di bawah subtitle alih-alih bertumpuk satu sama lain. Keheningan mengisi celah antar cue, dan panjang totalnya cocok dengan akhir cue terakhir, yang berarti audio bisa diletakkan terhadap gambar yang sama dengan tempat subtitle itu dibuat.
Alasan halaman ini ada terpisah dari halaman pembacaan biasa adalah timing adalah bagian yang sulit. Kalimat yang butuh empat detik untuk diucapkan tetapi punya cue dua detik tidak bisa begitu saja dimasukkan: kalimat itu akan berjalan di bawah cue berikutnya, dan dua suara sekaligus adalah derau, bukan narasi. Jadi setiap baris disintesis pada kecepatan yang Anda pilih, diukur, dan — bila tidak muat — disintesis sekali lagi pada laju lebih cepat, sampai 1,4×. Apa pun yang masih tidak muat dipotong pada awal cue berikutnya, dan jumlah cue yang mengalami itu dilaporkan sebagai kehilangan alih-alih ditelan.
Daftar suaranya adalah sepuluh suara di tujuh bahasa: Inggris dari Amerika Serikat dan Britania, Spanyol, Prancis, Italia, Hindi, dan Portugis Brasil. Sebuah suara bukan sekadar warna timbre — suara itu menentukan bunyi bahasa mana yang dipakai untuk membaca teks, jadi memasangkan suara Spanyol dengan teks Inggris menghasilkan sesuatu yang bukan keduanya. Jepang dan Tionghoa sengaja tidak ada: fonemiser yang dikirim bersama halaman ini tidak punya suara untuk keduanya, dan mencantumkannya akan menghasilkan omong kosong yang terdengar percaya diri alih-alih pesan galat. Suara yang Anda dengar adalah suara sintetis, dibacakan mesin, bukan dubbing oleh pengisi suara manusia.
Pekerjaannya lokal. Sekitar 98 MB model dan fonemiser diunduh sekali dari situs ini dan di-cache peramban sesudahnya; file subtitle itu sendiri tidak pernah keluar dari tab. Mesin sintesis berjalan di Web Worker miliknya sendiri, sehingga tombol batal menghentikannya seketika alih-alih menunggu baris yang sedang dibacakan selesai. Keluaran berupa WAV secara bawaan karena itu tidak membutuhkan encoder sama sekali — memilih MP3 atau M4A memuat inti ffmpeg 31 MB untuk mengompresi hasil, yang layak untuk apa pun yang hendak Anda kirim kepada orang lain.
Pertanyaan yang sering diajukan
Mengapa WAV dari halaman narasi subtitle ini kadang memotong kalimat padahal file SRT-nya baik-baik saja?
Karena pemotongan disebabkan oleh cue, bukan oleh file. Cue yang tampil 1,8 detik tidak bisa memuat baris yang butuh tiga detik untuk diucapkan kecuali suaranya didorong melewati 1,4× — dan lewat dari itu kata-katanya berhenti bisa dimengerti. Halaman ini mencoba kecepatan pilihan Anda lebih dulu, lalu menyintesis sekali lagi pada laju yang membuatnya muat, dibatasi 1,4×. Bila masih melampaui, audio dipotong pada awal cue berikutnya agar dua baris tidak pernah berbunyi bersamaan, dan jumlah cue yang terdampak muncul di laporan kehilangan di bawah antrean.
Apa yang terjadi pada pemformatan, warna, dan posisi layar ASS saat dibaca untuk narasi suara?
Semuanya dibuang, dan itu tepat di sini — file audio tidak punya warna dan tidak punya posisi layar. Yang bertahan adalah teks setiap cue serta waktu mulai dan akhirnya, yang persis dibutuhkan untuk penempatan. Bold, italic, timing karaoke, dan override posisi {\anN} diurai oleh lapisan format sebelum sintesis, sehingga baris yang ditandai italic di file ASS dibacakan dengan suara yang sama seperti sisanya. Bila Anda perlu pemformatannya dipertahankan, konversikan subtitle lebih dulu; produk halaman ini adalah suara.
Bisakah satu cue SRT dua baris dibacakan sebagai satu kalimat utuh?
Bisa, dan selalu begitu. Pemisah baris keras di dalam cue adalah keputusan tipografi — tempat pembuat subtitle memutuskan barisnya mulai terlalu panjang di layar — bukan tempat penutur berhenti. Jadi kedua baris disambung dengan spasi dan disintesis sebagai satu ujaran, dan itulah sebabnya cue yang terbelah antar baris tetap terdengar seperti satu tarikan napas alih-alih dua penutur bergantian. Hanya batas cue yang menghasilkan jeda pada keluaran.
Bahasa apa saja yang benar-benar bisa diucapkan track suara ini, dan apa jadinya dengan subtitle Jepang?
Tujuh: en-US, en-GB, es, fr, hi, it, dan pt-BR. Jepang dan Tionghoa tidak termasuk karena fonemiser yang dibundel dengan halaman ini tidak mengirim suara untuk keduanya, meskipun model ucapannya sendiri dilatih pada bahasa-bahasa itu. Memberi file .srt Jepang kepada suara Inggris tidak gagal dengan berisik — huruf Latinnya dibaca sebagai bahasa Inggris, dan aksara Jepang dilewati atau dirusak. Alur kerja yang jujur untuk bahasa tersebut adalah menunggu build yang membawa fonemiser Jepang atau Tionghoa, bukan menerima track yang terdengar masuk akal tetapi salah.
Apakah MP3 sepadan dengan tambahan 31 MB dibanding WAV bawaan halaman narasi ini?
Untuk apa pun yang lebih panjang dari beberapa menit, ya. WAV adalah PCM mono 24 kHz tanpa kompresi, jadi sepuluh menit narasi sekitar 28 MB, sedangkan audio yang sama dikodekan sebagai MP3 128 kbps sekitar 2,8 MB. Pertukarannya adalah MP3 dan M4A membutuhkan inti ffmpeg yang diunduh sekali, dan itulah sebabnya WAV menjadi bawaan: bila Anda hanya ingin memeriksa bagaimana sebuah suara terdengar, tidak ada tambahan yang diambil. Setelah encoder di-cache, mengonversi subtitle yang sama lagi dengan pengaturan yang sama berjalan cepat.