อ่านข้อความออกเสียง
หรือวางข้อความคำบรรยาย
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
หน้านี้อ่านข้อความออกเสียงดัง วางย่อหน้าหรือวางไฟล์ .txt, .srt, .vtt หรือรูปแบบคำบรรยายใดในสิบสองรูปแบบ เลือกหนึ่งในสิบเสียง แล้วได้ไฟล์เสียงไฟล์เดียวของทั้งเนื้อหาที่อ่านตั้งแต่ต้นจนจบ ไม่มีการตีเวลา เพราะไม่มีอะไรให้ตีเทียบ ผลลัพธ์คือการอ่านต่อเนื่องหนึ่งครั้ง ไม่ใช่แทร็กที่สร้างมาเพื่อวางใต้ภาพ
เมื่อไฟล์ที่วางเป็นไฟล์คำบรรยาย ไทม์โค้ดถูกแยกออกและทิ้งไป สิ่งที่ถูกอ่านคือข้อความของแต่ละคิวตามลำดับ รวมเป็นย่อหน้า การขึ้นบรรทัดใหม่ในคิวกลายเป็นช่องว่างเพราะเป็นการเลือกเชิงพิมพ์บนจอ และขอบคิวไม่เหลืออะไรเลย ตรงข้ามกับหน้าอ่านคำบรรยายเป็นเสียง และสองหน้าอยู่ข้างกันเพื่อให้เห็นทางเลือกชัด ๆ แทนที่จะซ่อนในช่องทำเครื่องหมาย ข้อความถูกสังเคราะห์เป็นชิ้น ๆ ไม่ใช่รอบเดียว ตัวตัดคำของโมเดลตัดสิ่งที่เกิน 510 หน่วยเสียงอย่างเงียบ ๆ บทความสองพันคำจะกลับมาแค่สองประโยคแรก และไฟล์จะดูสมบูรณ์ จึงแยกข้อความที่ขอบย่อหน้า แล้วที่เครื่องหมายจบประโยค แล้วแยกแรงขึ้นสำหรับประโยคเดี่ยวที่เกิน 400 ตัวอักษร และสังเคราะห์ทีละชิ้นโดยมีช่วงหยุดสั้น ๆ คั่น การยกเลิกมีผลตรงนี้เช่นกัน เพราะการพูดเกิดบนเธรดของตัวเอง ปุ่มยกเลิกจึงหยุดได้ในชั่วครู่แทนที่จะรอให้ประโยคปัจจุบันจบ และหน้ายังใช้งานได้ระหว่างสร้างเสียง รายการเสียงมีสิบเสียงในเจ็ดภาษา อังกฤษสหรัฐและอังกฤษ สเปน ฝรั่งเศส อิตาลี ฮินดี และโปรตุเกสบราซิล ญี่ปุ่นและจีนไม่ถูกเสนอ เพราะตัวแปลงหน่วยเสียงที่ใช้ไม่มีเสียงสำหรับสองภาษานั้น เสียงทั้งหมดเป็นเสียงสังเคราะห์ที่อ่านโดยเครื่อง ไม่ใช่นักพากย์เสียง โมเดลและตัวแปลงหน่วยเสียงประมาณ 98 MB ดาวน์โหลดครั้งเดียวและแคชไว้ ข้อความที่วางไม่เคยออกจากเบราว์เซอร์
คำถามที่พบบ่อย
ถ้าวางไฟล์ .srt ที่หน้านี้ การอ่านจะรวมไทม์โค้ดหรือเลขคิวไหม
ไม่รวมทั้งสองอย่าง ไฟล์ถูกแยกวิเคราะห์ด้วยชั้นรูปแบบเดียวกับที่หน้าของตัวแปลงใช้ และเก็บไว้เพียงข้อความของแต่ละคิว เลขดัชนี ไทม์โค้ดรูป 00:00:01,000 --> ที่มากับเวลา และแท็กในบรรทัดเช่น <i> หรือ {\pos()} หายไปก่อนสังเคราะห์ สิ่งที่ได้ยินคือคำตามลำดับที่ปรากฏ ถ้าต้องการให้เวลาถูกเคารพแทนที่จะถูกทิ้ง ให้ใช้หน้าที่อ่านไฟล์คำบรรยายเป็นเสียง ซึ่งวางแต่ละคิวที่เวลาเริ่มของมัน
ช่องวางข้อความของหน้านี้รับบทความทั้งเรื่องได้หรือใช้ได้แค่ประโยคสองประโยค
บทความทั้งเรื่องได้ เพราะข้อความถูกแบ่งเป็นชิ้นก่อนถึงโมเดล ข้อความที่วางถูกห่อเป็นไฟล์ข้อความล้วนและเข้าคิวเดียวกับไฟล์ที่วาง จึงได้การแบ่งชิ้นที่ 400 ตัวอักษรเดียวกัน แถบความคืบหน้าเดียวกัน และปุ่มยกเลิกเดียวกัน ขีดจำกัดจริงคือหน่วยความจำไม่ใช่ความยาว บทความยาวให้ WAV ยาว และ PCM 24 kHz โมโนหนึ่งชั่วโมงกินหลายร้อยเมกะไบต์ การเลือก MP3 จึงคุ้มถ้าการอ่านจะยาวกว่าสองสามนาที โมเดลและตัวแปลงหน่วยเสียงประมาณ 98 MB ดาวน์โหลดครั้งเดียว และปุ่มยกเลิกหยุดการอ่านได้ทันทีเพราะการพูดเกิดบนเธรดของตัวเอง
ทำไมช่วงหยุดระหว่างประโยคของข้อความเป็นเสียงจึงฟังดูยาวกว่าการอ่านคำบรรยายเป็นเสียง
เพราะมีการแทรกความเงียบหนึ่งในสี่วินาทีระหว่างชิ้นเพื่อไม่ให้ประโยคติดกัน ขณะที่หน้าอ่านคำบรรยายเป็นเสียงวางแต่ละบรรทัดที่เวลาเริ่มของคิวและเติมช่องว่างตามที่คำบรรยายมีอยู่แล้ว ที่นี่ช่องว่างคงที่ 250 ms ไม่ว่าภาษาจะเป็นอะไร เพราะไม่มีไทม์ไลน์ให้ซื่อตรงด้วย ประโยคภายในชิ้นเดียวถูกรวมด้วยการจัดการเครื่องหมายวรรคตอนของโมเดล เฉพาะขอบชิ้นซึ่งราวทุก 400 ตัวอักษรเท่านั้นที่ได้ช่วงหยุดเพิ่ม
มีเสียงใดบ้างสำหรับภาษาสเปนและโปรตุเกส และเป็นเสียงเดียวหรือหลายเสียง
อย่างละหนึ่งเสียง คือ ef_dora สำหรับสเปนและ pf_dora สำหรับโปรตุเกสบราซิล พร้อมอังกฤษสองแบบจากสหรัฐ (af_heart, af_bella) เสียงอเมริกันอีกหนึ่ง (am_michael) เสียงอังกฤษสองเสียง (bf_emma, bm_george) ff_siwis สำหรับฝรั่งเศส hf_alpha สำหรับฮินดี และ if_sara สำหรับอิตาลี ที่มีหลายเสียงอังกฤษเพราะเป็นที่ต้องการมากที่สุด ส่วนภาษาอื่นได้หนึ่งเสียงเพื่อให้รายการสั้นพอจะลองฟังได้ เสียงหนึ่งกำหนดสำเนียงและคุณภาพเสียง จึงเป็นตัวตัดสินว่าข้อความถูกอ่านด้วยหน่วยเสียงของภาษาใด
MP3 หรือ M4A ที่ได้จากหน้านี้ปลอดภัยพอจะเผยแพร่เป็นช่วงพอดแคสต์ไหม
ในทางเทคนิคปลอดภัย ทั้งคู่เป็นคอนเทนเนอร์มาตรฐานที่เข้ารหัสโดย ffmpeg ในเครื่อง และเสียงเป็น 24 kHz โมโน ซึ่งพอสำหรับเสียงพูดและบางสำหรับดนตรี ในทางการตัดต่อ ให้ฟังก่อนเผยแพร่ เพราะโมเดลบางครั้งตัดพยัญชนะท้าย ออกเสียงชื่อเฉพาะแปลก หรืออ่านตัวย่อทีละตัวอักษร ระหว่างนั้นไม่มีการอัปโหลดและไม่มีลายน้ำหรือการติดตามฝังอยู่ แต่เสียงสังเคราะห์ก็ไม่มีการเปิดเผยตัวตน ถ้าผู้ฟังคาดหวังผู้บรรยายที่เป็นคน ให้บอกว่าเป็นเสียงใด