Narrar legendas
A primeira execução baixa o modelo de voz e o fonemizador — cerca de 98 MB juntos, servidos por este site e em cache no navegador depois disso. A legenda ou o texto que você soltar nunca sai desta aba. Escolher MP3 ou M4A baixa mais 31 MB de codificador, e é por isso que WAV é o padrão.
Opções
Uma voz decide o sotaque e o timbre e — menos óbvio — com que sistema de sons o texto é lido. Combinar uma voz em espanhol com uma frase em inglês não falha: ela lê palavras inglesas com sons espanhóis, o que é pior que uma mensagem de erro. Sete idiomas são oferecidos, não doze, porque o fonemizador incluído nesta página não tem voz para japonês nem chinês. Ouça um arquivo curto antes de se comprometer com um longo; toda voz carrega o mesmo modelo, então trocar custa uma síntese, não um download.
A rapidez com que a voz lê, aplicada sobre o ritmo que o modelo considera natural. Lenta é 0,8× e rápida é 1,2× — deliberadamente moderadas, porque acima de cerca de 1,5× o modelo começa a engolir sílabas e o resultado soa como alguém correndo em vez de alguém falando rápido. Quando um bloco de legenda é curto demais para sua fala, esta página aumenta a velocidade por conta própria até 1,4× antes de truncar, e esse aumento se multiplica pelo ajuste que você escolher aqui.
WAV é PCM não comprimido de 24 kHz mono, gravado aqui sem codificador nenhum — e é por isso que é o padrão e por isso nada extra é baixado para ele. MP3 e M4A precisam do motor de vídeo de 31 MB para comprimir, mas saem cerca de dez vezes menores: dez minutos de fala são cerca de 28 MB em WAV e cerca de 2,8 MB em MP3. Escolha WAV para testar uma voz, MP3 para enviar o arquivo a alguém.
Esta página transforma um arquivo de legendas em uma faixa de voz que o acompanha. Cada bloco é falado em voz alta e colocado no momento em que aquele bloco começa, então o resultado é um único arquivo de áudio — film.wav — em que as palavras caem sob as legendas em vez de umas sobre as outras. Silêncio preenche as lacunas entre os blocos, e o comprimento total acompanha o fim do último bloco, o que significa que o áudio pode ser deitado sobre a mesma imagem para a qual as legendas foram feitas.
A razão de esta página existir separada da página de leitura simples é que o tempo é a parte difícil. Uma frase que leva quatro segundos para dizer mas tem um bloco de dois segundos não pode simplesmente ser encaixada: ela passaria por baixo da próxima, e duas vozes ao mesmo tempo são ruído, não narração. Então cada linha é sintetizada na velocidade que você escolheu, medida e — se não couber — sintetizada mais uma vez a uma taxa mais rápida, até 1,4×. O que ainda assim não couber é cortado no início do bloco seguinte, e o número de blocos em que isso aconteceu é reportado como perda em vez de engolido.
A lista de vozes tem dez vozes em sete idiomas: inglês dos Estados Unidos e da Grã-Bretanha, espanhol, francês, italiano, hindi e português do Brasil. Uma voz não é só um timbre — ela decide com os sons de que idioma o texto é lido, então combinar uma voz espanhola com texto em inglês produz algo que não é nem uma coisa nem outra. Japonês e chinês estão ausentes de propósito: o fonemizador incluído nesta página não tem voz para nenhum dos dois, e listá-los produziria disparates confiantes em vez de uma mensagem de erro.
O trabalho é local. Cerca de 98 MB de modelo e fonemizador são baixados uma vez deste site e guardados em cache pelo navegador depois; o arquivo de legendas em si nunca sai da aba. A saída é WAV por padrão porque isso não precisa de codificador nenhum — escolher MP3 ou M4A carrega um núcleo ffmpeg de 31 MB para comprimir o resultado, o que vale a pena para qualquer coisa que você pretenda enviar a alguém.
Perguntas frequentes
Por que o WAV desta página às vezes corta uma frase quando o arquivo SRT está correto?
Porque o corte é causado pelo bloco, não pelo arquivo. Um bloco que fica na tela por 1,8 segundo não comporta uma linha que leva três segundos para falar a menos que a voz seja empurrada além de 1,4× — e a partir daí as palavras deixam de ser inteligíveis. A página tenta primeiro a velocidade que você escolheu e depois ressintetiza uma vez na taxa que faria caber, limitada a 1,4×. Se ainda assim estourar, o áudio é truncado no início do bloco seguinte para que duas falas nunca soem ao mesmo tempo, e a contagem de blocos afetados aparece no relatório de perdas abaixo da fila.
O que acontece com o estilo, as cores e as posições de tela do ASS quando eles são lidos para narração?
São descartados, e isso está correto aqui — um arquivo de áudio não tem cor nem posição de tela. O que sobrevive é o texto de cada bloco e as horas de início e fim, que é exatamente o que o posicionamento precisa. Negrito, itálico, marcações de karaokê e ajustes de posição como {\anN} são removidos pela camada de formato antes da síntese, então uma linha marcada como itálico no arquivo ASS é lida com a mesma voz que o resto. Se você precisa do estilo preservado, converta a legenda antes; o produto desta página é som.
Um bloco de SRT com duas linhas pode ser falado como uma frase contínua na narração de legendas?
Sim, e é sempre assim. Uma quebra de linha dura dentro de um bloco é uma decisão tipográfica — um ponto em que o legendador decidiu que a linha estava ficando comprida demais na tela —, não um ponto em que o falante pausou. Então as duas linhas são unidas por um espaço e sintetizadas como um único enunciado, e é por isso que um bloco dividido em linhas continua soando como uma respiração só em vez de dois falantes se revezando. Só a fronteira entre blocos produz uma pausa na saída.
Que idiomas a faixa de voz consegue falar de fato, e o que acontece com legendas em japonês?
Sete: en-US, en-GB, es, fr, hi, it e pt-BR. Japonês e chinês não estão entre eles porque o fonemizador incluído nesta página (espeak-ng) não traz voz para nenhum dos dois, embora o modelo de fala em si tenha sido treinado neles. Alimentar uma voz inglesa com um .srt em japonês não falha de forma ruidosa — as letras latinas são lidas como inglês, e os kanji são pulados ou deformados. O fluxo honesto para esses idiomas é esperar por uma versão que carregue um fonemizador japonês ou chinês, em vez de aceitar uma faixa que soa plausível e está errada.
O MP3 vale os 31 MB extras na narração de legendas em comparação com o WAV padrão?
Para qualquer coisa com mais de alguns minutos, sim. O WAV é PCM mono de 24 kHz sem compressão, então dez minutos de narração dão cerca de 28 MB, enquanto o mesmo áudio codificado em MP3 a 128 kbps fica em torno de 2,8 MB. A troca é que MP3 e M4A precisam do núcleo ffmpeg baixado uma vez, e é por isso que o WAV é o padrão: se você só quer conferir como uma voz soa, nada extra é buscado. Depois que o codificador está em cache, converter a mesma legenda de novo com os mesmos ajustes é rápido.