Les undertekster høyt
Den første kjøringen laster ned stemmemodellen og fonemiseren — omtrent 98 MB til sammen, servert av dette nettstedet og bufret av nettleseren etterpå. Underteksten eller teksten du slipper inn, forlater aldri denne fanen. Å velge MP3 eller M4A laster ned ytterligere 31 MB koder, som er grunnen til at WAV er standard.
Innstillinger
En stemme avgjør aksenten og klangfargen, og — mindre åpenbart — hvilket lydsystem teksten leses med. Å pare en spansk stemme med en engelsk setning feiler ikke: den leser engelske ord med spanske lyder, som er verre enn en feilmelding. Sju språk tilbys, ikke tolv, fordi fonemiseren som følger med denne siden, ikke har noen stemme for japansk eller kinesisk. Lytt til en kort fil før du forplikter deg til en lang; hver stemme bærer samme modell, så å bytte koster én syntese, ikke én nedlasting.
Hvor fort stemmen leser, brukt på toppen av tempoet modellen anser som naturlig. Langsom er 0,8× og rask er 1,2× — med vilje mild, fordi modellen over omtrent 1,5× begynner å svelge stavelser, og resultatet høres ut som noen som haster i stedet for noen som snakker fort. Når en undertekstblokk er for kort for linjen sin, øker denne siden hastigheten selv opptil 1,4× før den avkorter, og den økningen multipliseres med innstillingen du velger her.
WAV er ukomprimert 24 kHz mono, skrevet her helt uten en koder — som er grunnen til at det er standard, og grunnen til at ingenting ekstra lastes ned for det. MP3 og M4A trenger videomotoren på 31 MB for å komprimere, men kommer ut omtrent ti ganger mindre: ti minutter med tale er omtrent 28 MB som WAV og omtrent 2,8 MB som MP3. Velg WAV for å prøvelyttet til en stemme, MP3 for å sende filen til noen.
Denne siden gjør en undertekstfil om til et talespor som følger den. Hver tekstblokk leses høyt og plasseres i det øyeblikket tekstblokken starter, så resultatet er én lydfil — film.wav — der ordene lander under undertekstene i stedet for oppå hverandre. Stillhet fyller mellomrommene mellom tekstblokkene, og total lengde samsvarer med slutten på den siste tekstblokken, noe som betyr at lyden kan legges mot det samme bildet undertekstene ble laget for.
Grunnen til at denne siden finnes separat fra den vanlige lesesiden, er at timingen er det vanskelige. En setning som tar fire sekunder å si men har en tekstblokk på to sekunder, kan ikke bare legges inn: den ville løpe under den neste, og to stemmer samtidig er støy, ikke innlesing. Så hver linje syntetiseres i hastigheten du valgte, måles, og — hvis den ikke passer — syntetiseres én gang til i raskere tempo, opptil 1,4×. Det som fortsatt ikke passer, kuttes ved starten av neste tekstblokk, og antallet tekstblokker det gikk ut over, rapporteres som et tap i stedet for å svelges.
Stemmelisten er ti stemmer fordelt på sju språk: engelsk fra USA og Storbritannia, spansk, fransk, italiensk, hindi og brasiliansk portugisisk. En stemme er ikke bare en klangfarge — den avgjør hvilket språks lyder teksten leses med, så å pare en spansk stemme med engelsk tekst gir noe som verken er det ene eller det andre. Japansk og kinesisk mangler med vilje: fonemiseringen som følger med denne siden, har ingen stemme for noen av dem, og å liste dem ville gitt selvsikkert vås i stedet for en feilmelding.
Syntesen skjer på maskinen din. Rundt 98 MB modell og fonemisering lastes ned én gang fra dette nettstedet og bufres av nettleseren etterpå; selve undertekstfilen forlater aldri fanen. Utdata er WAV som standard fordi det ikke trenger noen koder i det hele tatt — velger du MP3 eller M4A, lastes en ffmpeg-kjerne på 31 MB for å komprimere resultatet, som er verdt det for noe du har tenkt å sende til noen.
Ofte stilte spørsmål
Hvorfor kutter WAV-en fra denne siden av og til en setning når SRT-filen er i orden?
Fordi kuttingen skyldes tekstblokken, ikke filen. En tekstblokk som står på skjermen i 1,8 sekunder, kan ikke romme en linje som tar tre sekunder å si med mindre stemmen presses forbi 1,4× — og forbi det punktet slutter ordene å være forståelige. Siden prøver hastigheten du valgte først, og syntetiserer så én gang til i den hastigheten som ville få det til å passe, begrenset til 1,4×. Passer det fortsatt ikke, kuttes lyden ved starten av neste tekstblokk så to linjer aldri høres samtidig, og antallet berørte tekstblokker vises i taplisten under køen.
Hva skjer med ASS-stil, farger og plassering på skjermen når de leses for innlesing?
De droppes, og det er riktig her — en lydfil har ingen farge og ingen plassering på skjermen. Det som overlever, er teksten i hver tekstblokk og dens start- og sluttid, som er nøyaktig det plasseringen trenger. Fet, kursiv, karaoketider og {\anN}-posisjonsoverstyringer parses bort av formatlaget før syntese, så en linje markert som kursiv i ASS-filen leses i samme stemme som resten. Trenger du stilen bevart, konverterer du underteksten først; produktet fra denne siden er lyd.
Kan en SRT-tekstblokk med to linjer leses som én sammenhengende setning?
Ja, og det gjør den alltid. Et hardt linjeskift inne i en tekstblokk er en typografisk avgjørelse — et sted der undertekstforfatteren mente linjen ble for lang på skjermen — ikke et sted der taleren tok pause. Så de to linjene slås sammen med et mellomrom og syntetiseres som én ytring, og derfor høres en tekstblokk delt over to linjer fortsatt som ett åndedrag i stedet for to talere som bytter på. Bare en tekstblokkgrense gir en pause i utdataene.
Hvilke språk kan talesporet faktisk snakke, og hva skjer med japanske undertekster?
Sju: en-US, en-GB, es, fr, hi, it og pt-BR. Japansk og kinesisk er ikke blant dem, fordi fonemiseringen som følger med denne siden (espeak-ng), ikke har noen stemme for noen av dem, selv om talemodellen selv ble trent på dem. Å mate en japansk .srt til en engelsk stemme feiler ikke høyt — de latinske bokstavene leses som engelsk, og tegnene hoppes over eller ødelegges. Den ærlige arbeidsflyten for de språkene er å vente på en versjon som bærer en japansk eller kinesisk fonemisering, i stedet for å godta et spor som høres plausibelt ut og er feil.
Er MP3 verdt de ekstra 31 MB sammenlignet med WAV-en denne siden gir som standard?
For noe lengre enn noen minutter, ja. WAV er ukomprimert 24 kHz mono PCM, så ti minutter med innlesing er omtrent 28 MB, mens den samme lyden kodet som MP3 på 128 kbps er rundt 2,8 MB. Prisen er at MP3 og M4A trenger ffmpeg-kjernen lastet ned én gang, og derfor er WAV standard: vil du bare sjekke hvordan en stemme høres ut, hentes ingenting ekstra. Når koderen er bufret, går det fort å konvertere samme undertekst igjen med samme innstillinger.