Bacakan teks jadi audio
Atau tempel teks subtitle
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 membacakan teks dengan suara sintetis. Tempel satu paragraf atau masukkan file — .txt, .srt, .vtt, salah satu dari keduabelas format subtitle — pilih salah satu dari sepuluh suara, dan terima kembali satu file audio berisi seluruh isi yang dibacakan mesin dari awal sampai akhir. Tidak ada yang diberi timing, karena tidak ada yang bisa dijadikan patokan waktu: keluarannya adalah satu pembacaan yang mengalir, bukan track yang disusun untuk duduk di bawah gambar. Teks dibacakan mesin, bukan didubbing pengisi suara manusia.
Bila file yang Anda masukkan adalah file subtitle, timecode-nya di-parse lalu dibuang. Yang dibaca adalah teks setiap cue, berurutan, digabung menjadi paragraf; pemisah baris di dalam cue menjadi spasi karena itu pilihan tipografi di layar, dan batas cue menjadi tidak ada sama sekali. Ini kebalikan dari halaman narasi subtitle, dan kedua halaman ada berdampingan agar pilihannya terlihat alih-alih tersembunyi di dalam kotak centang: satu menghasilkan suara yang mengikuti timeline, yang lain menghasilkan suara yang sekadar mengalir.
Teks disintesis dalam potongan, bukan dalam satu lintasan. Tokenizer model diam-diam memotong apa pun di atas 510 fonem — artikel dua ribu kata akan kembali sebagai dua kalimat pertamanya, dan filenya akan terlihat sepenuhnya valid. Jadi teks dipotong pada pemisah paragraf, lalu pada tanda baca akhir kalimat, lalu lebih keras lagi untuk satu kalimat yang melebihi 400 karakter, dan potongan itu disintesis satu demi satu dengan jeda pendek di antaranya. Di situlah juga pembatalan berlaku: pembacaan terjadi di thread-nya sendiri, sehingga tombol batal menghentikannya seketika alih-alih menunggu kalimat saat ini selesai, dan halaman tetap bisa dipakai selama audio dibuat.
Daftar suaranya adalah sepuluh suara di tujuh bahasa — Inggris (Amerika Serikat dan Britania), Spanyol, Prancis, Italia, Hindi, dan Portugis Brasil. Jepang dan Tionghoa tidak ditawarkan: fonemiser yang dipakai untuk pelafalan tidak punya suara untuk keduanya, jadi opsi berlabel Jepang akan membaca aksara Jepang sebagai huruf Latin dan terdengar salah dengan percaya diri. Sekitar 98 MB model dan fonemiser diunduh sekali lalu di-cache; teks yang Anda tempel tidak pernah keluar dari peramban, yang penting ketika paragraf itu adalah surat klien atau catatan medis.
Pertanyaan yang sering diajukan
Bila saya memasukkan file .srt ke halaman baca teks ini, apakah pembacaannya menyertakan timecode atau nomor cue?
Tidak keduanya. File di-parse dengan lapisan format yang sama yang dipakai halaman konversi, dan hanya teks setiap cue yang dipertahankan — nomor indeks, skema 00:00:01,000 --> pada timing, dan tag inline seperti <i> atau {\pos()} sudah hilang sebelum sintesis. Yang Anda dengar adalah kata-kata dalam urutan kemunculannya. Bila Anda ingin timing dihormati alih-alih dibuang, gunakan halaman yang menarasikan file subtitle menjadi audio, yang menempatkan setiap cue pada waktu mulainya sendiri.
Bisakah kotak tempel teks di halaman ini menerima satu artikel utuh, atau hanya untuk satu dua kalimat?
Satu artikel utuh tidak masalah, karena teks dipotong menjadi bagian sebelum mencapai model. Isi yang ditempel dibungkus sebagai file teks biasa dan masuk ke antrean yang sama dengan file yang dimasukkan, sehingga mendapat pemotongan 400 karakter yang sama, bilah progres yang sama, dan tombol batal yang sama. Batas praktisnya adalah memori, bukan panjang: artikel panjang menghasilkan WAV panjang, dan satu jam PCM mono 24 kHz adalah beberapa ratus megabita, jadi memilih MP3 layak bila pembacaannya akan lebih dari beberapa menit.
Mengapa jeda antar kalimat di halaman teks-ke-suara ini terasa lebih panjang daripada di narasi subtitle?
Karena seperempat detik keheningan disisipkan di antara potongan agar kalimat berurutan tidak menyatu, sedangkan halaman narasi subtitle menempatkan setiap baris pada waktu mulai cue yang tepat dan mengisi celah yang sudah dimiliki subtitle. Di sini jedanya tetap 250 ms terlepas dari isi, karena tidak ada timeline yang harus diikuti dengan setia. Kalimat di dalam satu potongan disambung oleh penanganan tanda baca model itu sendiri, jadi hanya batas potongan — kira-kira setiap 400 karakter — yang mendapat jeda tambahan itu.
Suara apa saja yang tersedia untuk Spanyol dan Portugis di daftar suara halaman ini?
Masing-masing satu: ef_dora untuk Spanyol dan pf_dora untuk Portugis Brasil, bersama dua varian Inggris dari Amerika Serikat (af_heart, af_bella), satu suara Amerika lagi (am_michael), dua suara Britania (bf_emma, bm_george), ff_siwis untuk Prancis, hf_alpha untuk Hindi, dan if_sara untuk Italia. Beberapa suara Inggris ada karena di situlah sebagian besar narasi diminta; bahasa lain mendapat satu agar daftarnya tetap cukup pendek untuk dicoba satu per satu. Sebuah suara menetapkan aksen sekaligus timbre, jadi ia juga menentukan fonem bahasa mana yang dipakai untuk membaca teks.
Apakah MP3 atau M4A hasil halaman teks-ke-suara ini aman diterbitkan sebagai segmen podcast?
Secara teknis aman — keduanya container standar yang dikodekan build ffmpeg lokal, dan audionya PCM mono 24 kHz, yang cukup untuk ucapan dan tipis untuk musik. Secara editorial, dengarkan sebelum menerbitkan: model kadang memotong konsonan akhir, memberi tekanan aneh pada nama diri, atau membaca singkatan huruf per huruf. Tidak ada yang diunggah selama itu, dan tidak ada watermark atau pelacakan yang disematkan, tetapi suara sintetis juga tidak membawa pengungkapan, jadi bila audiens Anda mengharapkan pembaca manusia, katakan mana yang dipakai.