Đọc phụ đề thành giọng nói
Lần chạy đầu tiên tải mô hình giọng đọc và bộ chuyển âm — khoảng 98 MB cộng lại, do trang này phục vụ và được trình duyệt lưu đệm sau đó. Phụ đề hoặc văn bản bạn thả vào không bao giờ rời khỏi thẻ này. Chọn MP3 hoặc M4A sẽ tải thêm 31 MB bộ mã hóa, đó là lý do WAV là mặc định.
Tùy chọn
Một giọng quyết định trọng âm và âm sắc, và — ít rõ hơn — hệ âm mà văn bản được đọc theo. Ghép một giọng tiếng Tây Ban Nha với một câu tiếng Anh không thất bại: nó đọc các từ tiếng Anh bằng âm tiếng Tây Ban Nha, còn tệ hơn một thông báo lỗi. Bảy ngôn ngữ được đưa ra, không phải mười hai, vì bộ chuyển âm đi kèm trang này không có giọng cho tiếng Nhật hay tiếng Trung. Hãy nghe thử một tệp ngắn trước khi làm một tệp dài; mọi giọng dùng chung một mô hình, nên đổi giọng tốn một lần tổng hợp, không phải một lần tải.
Giọng đọc nhanh đến mức nào, được áp dụng thêm trên nhịp độ mà mô hình coi là tự nhiên. Mức Chậm là 0.8× và mức Nhanh là 1.2× — cố ý nhẹ, vì vượt khoảng 1.5× mô hình bắt đầu nuốt âm tiết và kết quả nghe như ai đó đang vội chứ không phải đang nói nhanh. Khi một cue phụ đề quá ngắn so với câu thoại của nó, trang này tự tăng tốc lên tới 1.4× trước khi cắt bớt, và mức tăng đó nhân với thiết lập bạn chọn ở đây.
WAV không nén, 24 kHz mono, được ghi ở đây không dùng bộ mã hóa nào — đó là lý do nó là mặc định và không có gì phải tải thêm cho nó. MP3 và M4A cần bộ máy video 31 MB để nén, nhưng ra nhỏ hơn khoảng mười lần: mười phút lời nói khoảng 28 MB dưới dạng WAV và khoảng 2.8 MB dưới dạng MP3. Chọn WAV để nghe thử một giọng, chọn MP3 để gửi tệp cho người khác.
Trang này biến một tệp phụ đề thành track giọng nói bám theo nó. Mỗi cue được đọc thành tiếng và đặt đúng lúc cue đó bắt đầu, nên kết quả là một tệp âm thanh duy nhất — film.wav — trong đó lời rơi dưới phụ đề thay vì chồng lên nhau. Khoảng lặng lấp các chỗ trống giữa cue, và tổng độ dài khớp điểm kết thúc của cue cuối, nghĩa là âm thanh có thể đặt lên đúng cảnh mà phụ đề được làm cho. Đây là giọng tổng hợp, do máy đọc, không phải diễn viên lồng tiếng.
Lý do trang này tách khỏi trang đọc văn bản là thời lượng, phần khó nhất. Một câu nói mất bốn giây nhưng cue chỉ có hai giây không thể thả thẳng vào: nó sẽ chạy dưới cue kế, và hai giọng cùng lúc là nhiễu chứ không phải lời đọc. Nên mỗi dòng được tổng hợp ở tốc độ bạn chọn, đo lại, và nếu không vừa thì tổng hợp thêm một lần ở tốc độ nhanh hơn, tối đa 1,4 lần. Phần vẫn không vừa bị cắt tại điểm bắt đầu của cue kế, và số cue bị vậy được báo là mất mát thay vì bị nuốt đi.
Danh sách giọng có mười giọng thuộc bảy ngôn ngữ: tiếng Anh Mỹ và Anh, Tây Ban Nha, Pháp, Ý, Hindi và Bồ Đào Nha Brasil. Một giọng không chỉ là âm sắc — nó quyết định âm của ngôn ngữ nào được dùng để đọc phần chữ, nên ghép giọng Tây Ban Nha với chữ tiếng Anh sẽ cho ra thứ không thuộc ngôn ngữ nào. Tiếng Nhật và tiếng Trung vắng mặt có chủ ý: bộ chuyển âm vị đi kèm không có giọng cho hai ngôn ngữ đó, và liệt kê chúng sẽ cho ra sự vô nghĩa đầy tự tin thay vì một thông báo lỗi. Công việc chạy cục bộ: khoảng 98 MB mô hình và bộ chuyển âm vị được tải một lần từ site này rồi trình duyệt lưu đệm; tệp phụ đề không rời khỏi tab. Đầu ra mặc định là WAV vì không cần bộ mã hóa nào — chọn MP3 hay M4A sẽ nạp lõi ffmpeg 31 MB để nén. Việc tổng hợp chạy trên một luồng riêng, nên khi bạn hủy thì nó dừng ngay lập tức thay vì chờ câu đang đọc xong; phần tải mô hình cũng hủy được giữa chừng.
Câu hỏi thường gặp
Vì sao WAV từ trang này đôi khi cắt cụt một câu trong khi tệp SRT vẫn ổn?
Vì chỗ cắt do cue gây ra, không do tệp. Một cue ở trên màn hình 1,8 giây không chứa nổi dòng nói mất ba giây trừ khi giọng bị đẩy quá 1,4 lần — mà quá mức đó thì lời không còn rõ. Trang thử tốc độ bạn chọn trước, rồi tổng hợp lại một lần ở tốc độ đủ để vừa, chặn ở 1,4 lần. Nếu vẫn tràn, âm thanh bị cắt tại điểm bắt đầu của cue kế để hai dòng không bao giờ vang cùng lúc, và số cue bị ảnh hưởng hiện trong báo cáo mất mát dưới hàng đợi.
Kiểu ASS, màu và vị trí trên màn hình ra sao khi được đọc để lồng giọng?
Chúng bị bỏ, và ở đây như vậy là đúng — tệp âm thanh không có màu và không có vị trí màn hình. Thứ sống sót là chữ của từng cue cùng mốc bắt đầu và kết thúc, đúng những gì việc đặt chỗ cần. Đậm, nghiêng, mốc karaoke và ghi đè vị trí {\anN} được tầng định dạng phân tích bỏ trước khi tổng hợp, nên một dòng đánh dấu nghiêng trong tệp ASS vẫn được đọc bằng cùng giọng với phần còn lại. Nếu cần giữ kiểu hiển thị, hãy chuyển đổi phụ đề trước; sản phẩm của trang này là âm thanh.
Một cue SRT hai dòng có được đọc thành một câu liền không?
Có, và luôn luôn như vậy. Ngắt dòng cứng trong một cue là quyết định trình bày — chỗ người làm phụ đề thấy dòng đã quá dài trên màn hình — không phải chỗ người nói ngừng lại. Nên hai dòng được nối bằng dấu cách và tổng hợp thành một phát ngôn, vì thế một cue bị chia dòng vẫn nghe như một hơi thở chứ không như hai người thay nhau nói. Chỉ ranh giới cue mới tạo khoảng nghỉ trong đầu ra.
Track giọng nói thật sự đọc được những ngôn ngữ nào, và phụ đề tiếng Nhật thì sao?
Bảy ngôn ngữ: en-US, en-GB, es, fr, hi, it và pt-BR. Tiếng Nhật và tiếng Trung không có trong danh sách vì bộ chuyển âm vị đi kèm trang này (espeak-ng) không có giọng cho hai ngôn ngữ đó, dù mô hình giọng nói được luyện trên chúng. Đưa một .srt tiếng Nhật cho giọng tiếng Anh không báo lỗi rõ ràng — chữ Latinh được đọc như tiếng Anh, còn kanji bị bỏ qua hoặc bóp méo. Quy trình trung thực với những ngôn ngữ đó là chờ một bản dựng có bộ chuyển âm vị Nhật hoặc Trung, chứ không nhận một track nghe có vẻ hợp lý mà sai. Lưu ý đây là giọng tổng hợp do máy đọc, không phải lồng tiếng.
MP3 có đáng thêm 31 MB so với WAV mặc định không?
Với thứ dài hơn vài phút, có. WAV là PCM 24 kHz mono không nén, nên mười phút đọc tốn khoảng 28 MB, còn cùng âm thanh mã hóa MP3 ở 128 kbps chỉ khoảng 2,8 MB. Cái đổi lại là MP3 và M4A cần tải lõi ffmpeg một lần, nên WAV là mặc định: nếu bạn chỉ muốn nghe thử một giọng, không có gì thêm phải tải. Khi bộ mã hóa đã được lưu đệm, chuyển lại cùng tệp phụ đề với cùng thiết lập diễn ra nhanh. Phần tải mô hình hoặc ffmpeg đều hủy được giữa chừng.