Озвучити субтитри мовленням
Перший запуск завантажує голосову модель і фонемізатор — разом близько 98 МБ, віддається цим сайтом і після цього кешується браузером. Субтитри чи текст, які ви перетягнули, ніколи не покидають цю вкладку. Вибір MP3 або M4A завантажує ще 31 МБ кодувальника, тому WAV типовий.
Параметри
Голос визначає акцент і тембр, а — менш очевидно — і те, з якою звуковою системою читається текст. Іспанський голос з англійським реченням не падає: він читає англійські слова іспанськими звуками, що гірше за повідомлення про помилку. Пропонується сім мов, а не дванадцять, бо фонемізатор, вбудований у цю сторінку, не має голосу для японської чи китайської. Прослухайте короткий файл, перш ніж братися за довгий; кожен голос несе ту саму модель, тож перемикання коштує одного синтезу, а не одного завантаження.
Як швидко читає голос, застосовано поверх темпу, який модель вважає природним. «Повільно» — 0,8×, «швидко» — 1,2×, навмисно помірно, бо після приблизно 1,5× модель починає ковтати склади, і результат звучить як хтось квапиться, а не як хтось говорить швидко. Коли репліка субтитрів надто коротка для свого рядка, сторінка сама підвищує швидкість до 1,4×, перш ніж обрізати, і це підвищення множиться на вибране тут налаштування.
WAV — нестиснутий, 24 кГц, моно, записаний тут без жодного кодувальника — тому він типовий і тому для нього нічого зайвого не завантажується. MP3 і M4A потребують 31 МБ відеодвигуна для стиснення, але виходять приблизно в десять разів меншими: десять хвилин мовлення — це близько 28 МБ у WAV і близько 2,8 МБ у MP3. Вибирайте WAV, щоб прослухати голос, MP3 — щоб надіслати файл комусь.
Ця сторінка перетворює файл субтитрів на голосову доріжку, яка йде за ним. Кожну репліку промовляють уголос і ставлять у момент, коли ця репліка починається, тому результат — один аудіофайл, film.wav, де слова лягають під субтитри, а не одне на одного. Тиша заповнює проміжки між репліками, а загальна довжина збігається з кінцем останньої репліки, тож звук можна покласти на те саме зображення, для якого робили субтитри.
Ця сторінка існує окремо від простого читання, бо час — найважче. Речення, яке звучить чотири секунди, але має дворядкову репліку на дві секунди, не можна просто вставити: воно залізе під наступне, а два голоси одночасно — це шум, не озвучка. Тому кожен рядок синтезують із вибраною швидкістю, міряють і, якщо не вміщається, синтезують ще раз швидше, до 1,4×. Усе, що не вмістилося й тоді, обрізають на початку наступної репліки, а кількість таких реплік повідомляють у списку втрат, а не ковтають.
Список голосів — десять голосів сімома мовами: англійська зі Сполучених Штатів і Британії, іспанська, французька, італійська, гінді й бразильська португальська. Голос — не лише тембр: він вирішує, якою мовою читати текст, тому іспанський голос на англійському тексті дає щось, що не є ні тим, ні іншим. Японської й китайської немає навмисно: фонемайзер, який постачають зі сторінкою, не має голосу для жодної з них, і додати їх означало б упевнену нісенітницю замість повідомлення про помилку.
Робота локальна. Близько 98 МБ моделі та фонемайзера завантажують один раз із цього сайту й далі кешує браузер; сам файл субтитрів не залишає вкладки. Вихід за замовчуванням WAV, бо для нього не потрібен жоден кодер; вибір MP3 або M4A завантажує 31 МБ ядра ffmpeg, щоб стиснути результат, і це варто робити для всього, що ви збираєтеся комусь надіслати. Скасування діє одразу: синтез іде в окремому робочому потоці, тому кнопка припиняє його, не чекаючи кінця поточного речення.
Часті запитання
Чому WAV іноді обрізає речення, хоча файл SRT цілий?
Бо обрізання спричиняє репліка, а не файл. Репліка, яка висить на екрані 1,8 секунди, не вміщає рядок, який звучить три секунди, якщо не розігнати голос понад 1,4×, — а після цієї межі слова перестають бути розбірливими. Сторінка пробує вибрану швидкість, потім синтезує ще раз із темпом, який дав би вміститися, з обмеженням 1,4×. Якщо й це не вдалося, звук обрізають на початку наступної репліки, щоб два рядки ніколи не звучали одночасно, а кількість постраждалих реплік з’являється у звіті про втрати під чергою.
Що стається з оформленням ASS, кольорами й позиціями на екрані?
Їх відкидають, і тут це правильно: в аудіофайлі немає ні кольору, ні позиції на екрані. Виживає текст кожної репліки та її початок і кінець — рівно те, що потрібно для розміщення. Жирний шрифт, курсив, таймкоди караоке й перевизначення позиції {anN} розбирає шар форматів ще до синтезу, тому рядок, позначений в ASS як курсив, читають тим самим голосом, що й решту. Якщо оформлення потрібно зберегти, спершу перетворіть субтитри; продукт цієї сторінки — звук.
Чи можна озвучити дворядкову репліку SRT як одне безперервне речення?
Так, і вона завжди так і звучить. Жорсткий перенос усередині репліки — це типографське рішення, місце, де субтитрувальник вирішив, що рядок стає задовгим на екрані, а не місце, де мовець зробив паузу. Тому два рядки з’єднують пробілом і синтезують як одне висловлювання, і репліка, розбита на рядки, звучить як один подих, а не як двоє людей по черзі. Паузу в звуці дає лише межа репліки.
Якими мовами голосова доріжка справді може говорити і що буде з японськими субтитрами?
Сімома: en-US, en-GB, es, fr, hi, it і pt-BR. Японської й китайської серед них немає, бо фонемайзер, вбудований у сторінку (espeak-ng), не має голосу для жодної з них, хоча саму модель мовлення навчали й на них. Японський .srt з англійським голосом не падає голосно — латинські літери читаються як англійські, а кандзі пропускаються або спотворюються. Чесний порядок роботи для цих мов — дочекатися збірки з японським або китайським фонемайзером, а не приймати доріжку, яка звучить правдоподібно й помиляється.
Чи варто MP3 додаткових 31 МБ порівняно з WAV за замовчуванням?
Для всього довшого за кілька хвилин — так. WAV — це нестиснений PCM 24 кГц моно, тому десять хвилин озвучки — приблизно 28 МБ, а той самий звук у MP3 зі 128 кбіт/с — близько 2,8 МБ. Плата за це — одноразове завантаження ядра ffmpeg для MP3 і M4A, тому WAV і є типовим: якщо ви лише хочете почути, як звучить голос, нічого зайвого не завантажується. Коли кодер уже в кеші, повторне перетворення того самого файлу з тими самими налаштуваннями швидке.