Dwa rodzaje głosów
To narzędzie do zamiany tekstu na mowę oferuje dwa źródła głosów i warto znać różnicę między nimi.
- Głosy przeglądarki są wbudowane w system operacyjny lub przeglądarkę. Uruchamiają się natychmiast i sprawdzają się do odsłuchu tekstu. Ich liczba i jakość zależą od urządzenia: Windows, macOS, Android i iOS mają własne zestawy. Większość przeglądarek nie pozwala nagrywać tych głosów, więc służą wyłącznie do odsłuchu.
- Głosy neuronowe to nowoczesne modele mowy, które strona pobiera jednorazowo, a potem uruchamia na Twoim urządzeniu. Brzmią bardziej naturalnie, z lepszym rytmem i intonacją, i można je zapisać jako plik audio. Dostępnych jest wiele języków, z głosami męskimi i żeńskimi, o ile model je udostępnia.
Twój tekst nie jest wysyłany na serwer w celu syntezy mowy. Głos neuronowy jest generowany w przeglądarce, dzięki czemu po załadowaniu modelu działa też bez internetu.
Gdy pierwszy raz wybierzesz głos neuronowy, jego model zostanie pobrany. Model głosu może mieć kilkadziesiąt megabajtów, więc przy wolnym łączu pierwsze użycie chwilę potrwa; potem głos uruchamia się szybko. Generowanie mowy z długiego tekstu również zajmuje trochę czasu, ponieważ każde zdanie jest obliczane na Twoim urządzeniu, a komputer stacjonarny jest wyraźnie szybszy niż telefon. Najpierw wypróbuj krótki akapit, żeby dobrać głos i tempo, a dopiero potem wygeneruj cały tekst.
Jak uzyskać naturalny efekt
- Stawiaj znaki interpunkcyjne. Przecinki i kropki tworzą pauzy. Długie zdanie bez przecinków zostanie przeczytane jednym tchem.
- Zapisuj liczby tak, jak mają zabrzmieć, jeśli głos czyta je błędnie – na przykład „dwa tysiące dwudziesty szósty” zamiast roku zapisanego cyframi – albo rozpisz skróty.
- Dziel długie teksty na akapity. Po każdym akapicie następuje naturalna pauza.
- Wybierz głos w odpowiednim języku. Angielski głos czytający francuski tekst zabrzmi źle, nawet jeśli litery są te same.
- Dostosuj tempo. Wartości 0,8–0,9 sprawdzą się w nauce języka i dyktandzie, a 1,1–1,3 przy słuchaniu długich artykułów.
Do czego to służy
Do lektora w krótkich filmach i na slajdach, słuchania artykułów i notatek zamiast czytania, sprawdzania wymowy słów w obcym języku, tworzenia komunikatów audio oraz pomocy osobom z trudnościami w czytaniu lub zmęczonym wzrokiem. Jeśli chcesz, by mowa brzmiała jak nagrana w pomieszczeniu, dodaj lekki pogłos. Aby połączyć głos z muzyką w tle, użyj narzędzia Miksowanie audio.
Mowa na tekst
Potrzebujesz odwrotnego kierunku? MP3 na tekst zamienia nagranie w tekst ze znacznikami czasu, również na Twoim urządzeniu.
Jeśli planujesz użyć wygenerowanej mowy w projekcie komercyjnym, najpierw sprawdź licencję modelu głosu, ponieważ warunki różnią się w zależności od głosu.