อ่านคำบรรยายออกเสียง
การรันครั้งแรกจะดาวน์โหลดโมเดลเสียงและตัวแปลงหน่วยเสียง — รวมประมาณ 98 MB ให้บริการโดยเว็บนี้และแคชโดยเบราว์เซอร์หลังจากนั้น คำบรรยายหรือข้อความที่คุณวางมาไม่เคยออกจากแท็บนี้ การเลือก MP3 หรือ M4A จะดาวน์โหลดตัวเข้ารหัสอีก 31 MB ซึ่งเป็นเหตุผลที่ WAV เป็นค่าเริ่มต้น
ตัวเลือก
เสียงเป็นตัวกำหนดสำเนียงและคุณภาพเสียง และ — ที่ชัดน้อยกว่า — ระบบเสียงที่ใช้อ่านข้อความ จับคู่เสียงสเปนกับประโยคอังกฤษไม่ล้มเหลว: มันอ่านคำอังกฤษด้วยเสียงสเปน ซึ่งแย่กว่าข้อความผิดพลาด มีให้เลือกเจ็ดภาษา ไม่ใช่สิบสอง เพราะตัวแปลงหน่วยเสียงที่รวมมากับหน้านี้ไม่มีเสียงสำหรับญี่ปุ่นหรือจีน ฟังไฟล์สั้น ๆ ก่อนตัดสินใจกับไฟล์ยาว ทุกเสียงใช้โมเดลเดียวกัน การสลับจึงมีค่าใช้จ่ายหนึ่งการสังเคราะห์ ไม่ใช่หนึ่งการดาวน์โหลด
ความเร็วที่เสียงอ่าน ใช้ทับจังหวะที่โมเดลเห็นว่าธรรมชาติ Slow คือ 0.8× และ fast คือ 1.2× — เบาโดยตั้งใจ เพราะเกินประมาณ 1.5× โมเดลจะเริ่มกลืนพยางค์และผลลัพธ์ฟังเหมือนคนรีบพูดมากกว่าคนพูดเร็ว เมื่อคิวคำบรรยายสั้นเกินไปสำหรับประโยค หน้านี้จะเพิ่มความเร็วเองได้ถึง 1.4× ก่อนตัดข้อความ และการเพิ่มนั้นคูณกับการตั้งค่าที่คุณเลือกที่นี่
WAV เป็นแบบไม่บีบอัด 24 kHz โมโน เขียนที่นี่โดยไม่ใช้ตัวเข้ารหัสเลย — จึงเป็นค่าเริ่มต้นและไม่มีอะไรถูกดาวน์โหลดเพิ่มสำหรับมัน MP3 และ M4A ต้องใช้เอนจินวิดีโอ 31 MB เพื่อบีบอัด แต่ออกมาเล็กกว่าประมาณสิบเท่า: คำพูดสิบนาทีมีขนาดประมาณ 28 MB เป็น WAV และประมาณ 2.8 MB เป็น MP3 เลือก WAV เพื่อลองฟังเสียง เลือก MP3 เพื่อส่งไฟล์ให้คนอื่น
หน้านี้เปลี่ยนไฟล์คำบรรยายเป็นแทร็กเสียงที่ตามคำบรรยาย ทุกคิวถูกอ่านออกเสียงและวางที่เวลาที่คิวนั้นเริ่ม ผลลัพธ์จึงเป็นไฟล์เสียงไฟล์เดียว film.wav ที่คำพูดตกอยู่ใต้คำบรรยายแทนที่จะทับกัน ความเงียบเติมช่องว่างระหว่างคิว และความยาวทั้งหมดตรงกับจุดสิ้นสุดของคิวสุดท้าย เสียงจึงวางเทียบกับภาพเดียวกันกับที่คำบรรยายถูกทำมาได้
เหตุที่หน้านี้แยกจากหน้าอ่านข้อความธรรมดาคือเวลาคือส่วนที่ยาก ประโยคที่ใช้สี่วินาทีพูดแต่มีคิวสองวินาทีวางลงไปเฉย ๆ ไม่ได้ เพราะจะล้ำเข้าไปใต้คิวถัดไป และสองเสียงพร้อมกันคือเสียงรบกวนไม่ใช่การบรรยาย แต่ละบรรทัดจึงถูกสังเคราะห์ด้วยความเร็วที่เลือก วัดความยาว และถ้าไม่พอดีก็สังเคราะห์อีกครั้งด้วยอัตราเร็วขึ้นไม่เกิน 1.4 เท่า ส่วนที่ยังไม่พอดีถูกตัดที่จุดเริ่มของคิวถัดไป และจำนวนคิวที่โดนรายงานเป็นข้อมูลสูญหายแทนที่จะกลืนหาย รายการเสียงมีสิบเสียงในเจ็ดภาษา อังกฤษสหรัฐและอังกฤษ สเปน ฝรั่งเศส อิตาลี ฮินดี และโปรตุเกสบราซิล ภาษาญี่ปุ่นและจีนไม่อยู่โดยตั้งใจ เพราะตัวแปลงเสียงเป็นหน่วยเสียงที่มาด้วยไม่มีเสียงสำหรับสองภาษานั้น เสียงทั้งหมดเป็นเสียงสังเคราะห์ที่อ่านโดยเครื่อง ไม่ใช่นักพากย์เสียง งานทำในเครื่อง โมเดลและตัวแปลงหน่วยเสียงประมาณ 98 MB ดาวน์โหลดครั้งเดียวจากเว็บไซต์นี้และแคชไว้ ไฟล์คำบรรยายไม่เคยออกจากแท็บ เอาต์พุตเป็น WAV โดยปริยายเพราะไม่ต้องใช้ตัวเข้ารหัสเลย การเลือก MP3 หรือ M4A จะโหลดแกน ffmpeg 31 MB เพื่อบีบอัดผลลัพธ์ ซึ่งคุ้มสำหรับสิ่งที่ตั้งใจส่งให้คนอื่น
คำถามที่พบบ่อย
ทำไม WAV จากหน้านี้จึงตัดประโยคในคำบรรยายให้สั้นลงทั้งที่ไฟล์ SRT ปกติ
เพราะการตัดเกิดจากคิวไม่ใช่จากไฟล์ คิวที่อยู่บนจอ 1.8 วินาทีรับบรรทัดที่ใช้สามวินาทีพูดไม่ได้ เว้นแต่เสียงจะถูกเร่งเกิน 1.4 เท่า และเลยจุดนั้นคำก็ฟังไม่ออก หน้าลองความเร็วที่คุณเลือกก่อน แล้วสังเคราะห์ใหม่หนึ่งครั้งด้วยอัตราที่จะทำให้พอดี โดยจำกัดที่ 1.4 เท่า ถ้ายังล้น เสียงถูกตัดที่จุดเริ่มของคิวถัดไปเพื่อไม่ให้สองบรรทัดดังพร้อมกัน และจำนวนคิวที่โดนรายงานในรายการสูญหายใต้คิว การยกเลิกหยุดการอ่านได้ทันทีเพราะการสังเคราะห์เกิดบนเธรดของตัวเอง
สไตล์ ASS สี และตำแหน่งบนจอหายไปเมื่ออ่านคำบรรยายเพื่อทำเสียงหรือไม่
หายไป และถูกต้องแล้วที่นี่ ไฟล์เสียงไม่มีสีและไม่มีตำแหน่งบนจอ สิ่งที่รอดคือข้อความของแต่ละคิวกับเวลาเริ่มและสิ้นสุด ซึ่งเป็นทั้งหมดที่การวางตำแหน่งต้องใช้ ตัวหนา ตัวเอียง เวลาคาราโอเกะ และการสั่งตำแหน่ง {\anN} ถูกแยกออกโดยชั้นรูปแบบก่อนสังเคราะห์ บรรทัดที่ทำเครื่องหมายเอียงใน ASS จึงถูกอ่านด้วยเสียงเดียวกับบรรทัดอื่น ถ้าต้องการรักษาสไตล์ ให้แปลงคำบรรยายก่อน ผลิตภัณฑ์ของหน้านี้คือเสียง
คิว SRT ที่มีสองบรรทัดถูกอ่านเป็นประโยคเดียวต่อเนื่องได้ไหม
ได้ และเป็นเช่นนั้นเสมอ การขึ้นบรรทัดใหม่แบบแข็งในคิวคือการตัดสินใจเชิงพิมพ์ ซึ่งเป็นจุดที่ผู้ทำคำบรรยายเห็นว่าบรรทัดยาวเกินบนจอ ไม่ใช่จุดที่ผู้พูดหยุด สองบรรทัดจึงถูกรวมด้วยช่องว่างและสังเคราะห์เป็นคำพูดเดียว คิวที่แบ่งหลายบรรทัดจึงยังฟังเหมือนลมหายใจเดียวไม่ใช่สองคนผลัดกันพูด เฉพาะขอบคิวเท่านั้นที่สร้างช่วงหยุดในเอาต์พุต
แทร็กเสียงจากคำบรรยายพูดภาษาใดได้บ้าง และเกิดอะไรกับคำบรรยายญี่ปุ่น
เจ็ดภาษา คือ en-US, en-GB, es, fr, hi, it และ pt-BR ญี่ปุ่นและจีนไม่อยู่ในรายการ เพราะตัวแปลงหน่วยเสียงที่มาด้วย (espeak-ng) ไม่มีเสียงสำหรับสองภาษานั้น แม้ตัวโมเดลเสียงจะฝึกมากับภาษาเหล่านั้น การป้อน .srt ญี่ปุ่นให้เสียงอังกฤษไม่ได้ล้มเหลวเสียงดัง ตัวอักษรโรมันถูกอ่านเป็นอังกฤษ และคันจิบางส่วนถูกข้ามหรือเพี้ยน ขั้นตอนที่ซื่อตรงสำหรับภาษานั้นคือรอเวอร์ชันที่มีตัวแปลงหน่วยเสียงญี่ปุ่นหรือจีน มากกว่าจะยอมรับแทร็กที่ฟังดูสมเหตุสมผลแต่ผิด โมเดลและตัวแปลงหน่วยเสียงประมาณ 98 MB ดาวน์โหลดครั้งเดียว
MP3 คุ้มกับ 31 MB ที่เพิ่มจาก WAV ที่หน้านี้ให้โดยปริยายหรือไม่
สำหรับอะไรที่ยาวกว่าสองสามนาที คุ้ม WAV เป็น PCM 24 kHz โมโนแบบไม่บีบอัด การบรรยายสิบนาทีจึงประมาณ 28 MB ขณะที่เสียงเดียวกันเข้ารหัส MP3 ที่ 128 kbps ประมาณ 2.8 MB ข้อแลกเปลี่ยนคือ MP3 และ M4A ต้องดาวน์โหลดแกน ffmpeg ครั้งเดียว ซึ่งเป็นเหตุที่ WAV เป็นค่าปริยาย ถ้าเพียงอยากฟังว่าเสียงเป็นอย่างไรก็ไม่ต้องดึงอะไรเพิ่ม เมื่อตัวเข้ารหัสอยู่ในแคชแล้ว การแปลงคำบรรยายเดิมด้วยการตั้งค่าเดิมซ้ำก็เร็ว