Αυτή η σελίδα αφορά πώς δημιουργείται η ομιλία: συνενωτικά κλιπ, παραμετρικοί κωδικοποιητές φωνής, ακατέργαστος ήχος τύπου WaveNet και τα νευρωνικά μοντέλα που δρομολογεί το GSpeech σήμερα. Δεν είναι μια λίστα "γιατί να προσθέσετε έναν παίκτη" - που συνεχίζει να υπάρχει οφέλη TTS ιστότοπουΔεν είναι ούτε μια αναλυτική παρουσίαση εγκατάστασης του WordPress.
Σε έναν ενεργό ιστότοπο δεν επιλέγετε μια ερευνητική εργασία. Επιλέγετε μια φωνή στο Cloud Console. Με αυτήν την επιλογή, το Ενοποιημένη Μηχανή Φωνής Τεχνητής Νοημοσύνης (εμπορικό) μπορεί να χρησιμοποιήσει OpenAI, Gemini, Google Cloud, Chirp3 HD, Neural2, Polyglot και WaveNet - Δεν απαιτούνται κλειδιά API. Η επεξεργασία στο cloud και το φόρτο διακομιστή διατηρούν τη σύνθεση μακριά από την προέλευσή σας.
Η διαδικασία σύνθεσης (τι συμβαίνει στην πραγματικότητα)
Σύνθεση ομιλίας μετατρέπει τα γραπτά tokens σε κυματομορφή. Ένας παίκτης ιστότοπου είναι μόνο το τελευταίο βήμα: η αναπαραγωγή ενός αρχείου. Η ενδιαφέρουσα δουλειά είναι νωρίτερα.
- Κείμενο στο - απομονωμένο άρθρο, επισημασμένο span (RHT) ή μεταφρασμένη συμβολοσειρά. Η απομόνωση είναι εργασία προϊόντος, όχι έγγραφο κωδικοποίησης φωνής.
- Γλωσσολογική ανάλυση - λέξεις, έμφαση, παύσεις. Τα έξυπνα ψευδώνυμα προφοράς βρίσκονται εδώ: συμβολοσειρές επωνυμίας που διαφορετικά θα μάντευε το μοντέλο.
- Ακουστικό μοντέλο - μονάδες συνένωσης, ένας παραμετρικός κωδικοποιητής φωνής ή ένα νευρωνικό δίκτυο που προβλέπει ήχο.
- Κυματομορφή έξω - αποθηκεύεται μία φορά στις επιλογές Δημιουργία μίας φοράς, Διατήρηση και αναπαραγωγή και στη συνέχεια μεταδίδεται σε ροή. Πρόγραμμα περιήγησης speechSynthesis παραλείπει αυτό το κατάστημα και χρησιμοποιεί όποιο λειτουργικό σύστημα έχει αποσταλεί.
Τρεις οικογένειες μοντέλων TTS
Συνδυαστικό TTS αποθηκεύει σύντομα αποσπάσματα ηχείων και τα ανασυνδυάζει. Η αλλαγή ηχείου ή συναισθήματος συνήθως σημαίνει εγγραφή μιας νέας βάσης δεδομένων. Τα κλασικά stacks τύπου Siri χρησιμοποίησαν αυτήν την ιδέα.
Παραμετρικό TTS διατηρεί τα χαρακτηριστικά ομιλίας στις παραμέτρους του μοντέλου. Οι πρώτες εκδόσεις συχνά ακούγονταν λιγότερο φυσικές από τις συνενωμένες, επειδή ο ήχος περνούσε από ένα vocoder.
Τα νευρωνικά συστήματα βρίσκονται στην κορυφή αυτής της ιστορίας. Στοίβες βασισμένες σε κανόνες και στατιστικές εξακολουθούν να υπάρχουν στα εγχειρίδια. Αυτό που ακούτε στις εμπορικές φωνές του GSpeech είναι σύνθεση τεχνητής νοημοσύνης: OpenAI, Gemini, Google Cloud Neural2 / Polyglot / Chirp3 HD και WaveNet - όχι μια τοπική τράπεζα συνένωσης στον κεντρικό υπολογιστή PHP σας.
WaveNet: μοντελοποίηση της ακατέργαστης κυματομορφής
Το WaveNet άλλαξε την παραμετρική ιστορία προβλέποντας το ηχητικό σήμα δείγμα προς δείγμα αντί να παραδίδει ένα συμπαγές φασματογράφημα σε έναν κωδικοποιητή φωνής. Η εργασία της Google το 2016 έδειξε ότι ένα διασταλμένο συνελικτικό δίκτυο μπορεί να καλύψει χιλιάδες χρονικά βήματα. Ο ακατέργαστος ήχος είναι πυκνός - συνήθως 16,000 δείγματα ανά δευτερόλεπτο ή περισσότερο - επομένως η αυτοπαλίνδρομη παραγωγή είναι ακριβή, αλλά καταγράφει τα χείλια και τις ιδιομορφίες των ηχείων που η συνενωτική κόλλα συχνά παραλείπει.
PixelRNN και PixelCNN έδειξε ότι η δημιουργία μιας εικόνας, ένα κανάλι τη φορά, ήταν δυνατή. Το WaveNet είναι η μονοδιάστατη εκδοχή αυτής της ιδέας: ένα πλήρως συνελικτικό δίκτυο του οποίου οι συντελεστές διαστολής αυξάνουν το δεκτικό πεδίο εκθετικά.
Κατά τον χρόνο εκπαίδευσης, οι είσοδοι είναι πραγματικές καταγεγραμμένες κυματομορφές. Κατά τον χρόνο δειγματοληψίας, κάθε βήμα αντλεί πληροφορίες από την προβλεπόμενη κατανομή του δικτύου, τροφοδοτεί αυτό το δείγμα και συνεχίζει. Αυτός ο βρόχος είναι ο λόγος για τον οποίο το πρώιμο WaveNet αφορούσε αποκλειστικά την έρευνα, ενώ οι μεταγενέστερες στοίβες το μείωσαν σε Google TTS παραγωγής.
MOS και το κενό του 2016
Η Google αξιολόγησε WaveNet έναντι των τότε βέλτιστων παραμετρικών και συνενωτικών συστημάτων χρησιμοποιώντας Μέσες βαθμολογίες γνώμης (MOS) - αξιολογήσεις τυφλών ανθρώπων (πάνω από 500 αξιολογήσεις σε 100 προτάσεις δοκιμής στην αρχική έκθεση). Το WaveNet μείωσε το υπόλοιπο χάσμα με την ανθρώπινη ομιλία κατά περισσότερο από το μισό για τα αγγλικά των ΗΠΑ και τα κινέζικα της Μανδαρινής γλώσσας σε αυτές τις δοκιμές. Αυτό αποτελεί ορόσημο έρευνας, όχι βαθμολογία μάρκετινγκ GSpeech.
Το WaveNet είναι μία οικογένεια στο Unified AI Voice Engine. Μεταγενέστερες στοίβες - Gemini TTS, Chirp3 HD, Neural2, Polyglot και OpenAI - είναι αυτά που επιλέγετε ως φωνή στην Cloud Console. Δεν αναπτύσσετε σημείο ελέγχου WaveNet στο WordPress.
Gemini TTS: άμεση ελεγχόμενη ομιλία
Το WaveNet προέβλεψε το επόμενο ηχητικό δείγμα. Gemini TTS είναι μια μεταγενέστερη διαδρομή δημιουργίας ομιλίας της Google: περιγράφετε πώς θα πρέπει να ακούγεται η ανάγνωση στη φυσική γλώσσα - στυλ, προφορά, ρυθμός, τόνος, συναίσθημα, εκφώνηση - και το μοντέλο εκτελεί αυτήν την κατεύθυνση. Γι' αυτό το GSpeech προσαρμοσμένες φωνητικές οδηγίες και Φωνητικές δονήσεις (τα στυλ, όχι τα επιπλέον φωνητικά αναγνωριστικά) έχουν σημασία στο Gemini: ο έλεγχος βρίσκεται στην προτροπή, όχι σε μια νέα συστοιχία συνάθροισης.
Ο γλωσσικός καθαρισμός εξακολουθεί να γίνεται πρώτα. Τα έξυπνα ψευδώνυμα προφοράς μπορούν να επεκτείνουν ένα ακρωνύμιο ή να κλειδώσουν ένα διακριτικό επωνυμίας. Στη συνέχεια, το Gemini εκφωνεί την προετοιμασμένη συμβολοσειρά με την ζητούμενη παράδοση. Επίσημες σημειώσεις API: Gemini TTS.
Αφήγηση Gemini με την υψηλότερη πιστότητα όταν το πάσο ακρόασης είναι μέρος της σελίδας: κύριες αναρτήσεις, επεξηγήσεις επωνυμίας, κείμενα προϊόντος.
Η ίδια γλώσσα προτροπής με το Pro, προσαρμοσμένη για ταχύτερη δημιουργία σε έναν κατάλογο αναρτήσεων ή SKU.
Gemini Pro
Gemini Pro είναι το εξαιρετικά ρεαλιστικό μοντέλο Gemini TTS μέσα στο GSpeech. Γράφετε μια προσαρμοσμένη φωνητική προτροπή με τον τρόπο που θα ενημερώνατε έναν αφηγητή: πιο ήρεμη επεξήγηση προϊόντος, πιο φωτεινό ιστολόγιο, πιο αυστηρή προφορά, πιο αργός ρυθμός, περισσότερο συναίσθημα. Η ορατή HTML παραμένει καθαρή για τους αναγνώστες και το SEO. Δεν υπάρχει ξεχωριστό κλειδί Gemini, ούτε έργο Google AI Studio, ούτε επιπλέον κονσόλα παρόχου.
Τεχνικά, αυτό εξακολουθεί να είναι σύνθεση cloud, δηλαδή ένα αποθηκευμένο αρχείο. Οι επαναλαμβανόμενες ακροάσεις είναι αναπαραγωγή, όχι μια νέα διαδρομή Gemini. Χρησιμοποιήστε το Pro όταν ο ήχος είναι η εμπειρία - ένα κύριο άρθρο ή μια σελίδα προϊόντος όπου η παράδοση θα πρέπει να φαίνεται κατευθυνόμενη, όχι γενική.
Gemini Flash
Gemini Flash είναι η ίδια οικογένεια Gemini TTS, σχεδιασμένη για ταχύτητα. Το λεξιλόγιο προτροπής ταιριάζει με το Pro (στυλ, προφορά, ρυθμός, τόνος, συναίσθημα, απόδοση), ώστε να μπορείτε να συντάξετε μια φωνητική κατεύθυνση μία φορά και να την επαναχρησιμοποιήσετε ενώ το Flash γυρίζει σελίδες πιο γρήγορα. Εργαλείο καταλόγου: πολλές αναρτήσεις, περιγραφές WooCommerce, πολύγλωσσα προσχέδια. Προωθήστε μια κύρια διεύθυνση URL στο Pro όταν θέλετε το τελευταίο κομμάτι απόδοσης.
Chirp3 HD: Google Cloud’s current HD neural family
Chirp3 HD δεν είναι «WaveNet με νέο όνομα». Το WaveNet (2016) μοντελοποίησε ακατέργαστο ήχο με διασταλμένες συνελίξεις. Οι φωνές Neural2, Polyglot και WaveNet εξακολουθούν να υπάρχουν στον κατάλογο του Google Cloud (το 230 + όροφος: Standard, WaveNet, Neural2, Polyglot, Journey, Studio, News). Το Chirp3 HD είναι η νεότερη γενιά υψηλής ευκρίνειας Cloud TTS της Google - σχεδιασμένη για ρεαλισμό και φυσικό τόνο αντί για επίπεδη ανάγνωση δυνατά. Επίσημες σημειώσεις: Τσιρπ 3 HD.
Μέσα στο GSpeech, το Chirp3 HD είναι μια φωνή Cloud Console: δεν υπάρχει έργο Google Cloud, ούτε JSON λογαριασμού υπηρεσίας. Εσείς επιλέγετε τη φωνή. Η σύνθεση εκτελείται από την προέλευσή σας. Το αρχείο αποθηκεύεται και αναπαράγεται μέσω Full Page, Button, Circle, Floating, Context ή RHT. Η ταχύτητα και ο τόνος παραμένουν στην κονσόλα. Τα ονόματα των επωνυμιών εξακολουθούν να ανήκουν στα Smart Pronunciation Aliases - αυτό το επίπεδο είναι ανεξάρτητο από την οικογένεια Google που επιλέξατε.
Πότε να επιλέξετε Chirp3 HD έναντι Gemini: Chirp3 HD όταν θέλετε νευρωνική ποιότητα Google Cloud HD παραγωγής και συνεπή ανάγνωση ανεξάρτητη από συσκευή. Gemini Pro / Flash όταν θέλετε άμεσο έλεγχο του στυλ και του συναισθήματος σε φυσική γλώσσα. Και τα δύο είναι εμπορικές διαδρομές Unified AI Voice Engine. Το σύνολο της μηχανής είναι 300+ φωνές απέναντι Γλώσσες 98 (Gemini ~30 × 3 για Chirp 3 HD, Flash και Pro ανά γλώσσα, συν OpenAI 11 × 2, συν τον κατάλογο Google Cloud). Τα Voice Vibes είναι στυλ, όχι επιπλέον αναγνωριστικά.
- Neural2 - ευρέως χρησιμοποιούμενες νευρωνικές φωνές παραγωγής στον ίδιο κατάλογο Google Cloud.
- Πολύγλωσσος - ισχυρότερη πολυγλωσσική / διαγλωσσική απόδοση.
- WaveNet - η οικογένεια ακατέργαστων κυματομορφών του 2016, που εξακολουθεί να είναι διαθέσιμη ως φωνές καταλόγου, όχι η μόνη διαδρομή Google.
Ενοποιημένη Μηχανή Φωνής Τεχνητής Νοημοσύνης έναντι TTS προγράμματος περιήγησης
Συσκευή speechSynthesis είναι ένα τοπικό API. Οι φωνές διαφέρουν ανάλογα με το λειτουργικό σύστημα. Δεν υπάρχει αρχείο "Δημιουργία μίας φοράς, διατήρηση και αναπαραγωγή", δεν υπάρχει Smart Audio Sync όταν αλλάζει το αντίγραφο του CMS και δεν υπάρχει επίπεδο προτροπής Voice Vibes. Το GSpeech Cloud Processing εκτελεί το μοντέλο στο cloud, αποθηκεύει το αρχείο και το widget το αναπαράγει. Τα προσωρινά προβλήματα δημιουργίας δεν διαγράφουν αρχεία που δημιουργήθηκαν προηγουμένως. Τα αρχεία δεν καταργούνται όταν ένας λογαριασμός επιστρέφει στο δωρεάν πρόγραμμα. Η νέα δημιουργία εξακολουθεί να ακολουθεί το ενεργό πρόγραμμα.
models: "OpenAI, Gemini, Google Cloud, Chirp3 HD, Neural2, Polyglot, WaveNet"
langs: "98 languages, 300+ voices (commercial)"
control: "Voice Vibes + Smart Pronunciation Aliases"
keys: "No API Keys Required"Τα Voice Vibes (εμπορικά) είναι τύπου prompt-side, όχι μιας νέας τράπεζας συνένωσης. Τα ψευδώνυμα καθορίζουν τον τρόπο με τον οποίο εκφωνείται ένα διακριτικό χωρίς να αλλάζουν την ορατή HTML. Και τα δύο είναι επίπεδα ελέγχου πάνω από οποιοδήποτε ακουστικό μοντέλο έχει επιλέξει η μηχανή για αυτήν τη φωνή.
Συχνές ερωτήσεις για την τεχνολογία μετατροπής κειμένου σε ομιλία
Μοντέλα και αγωγοί - όχι εγκατάσταση plugin.
-
Χρησιμοποιεί το GSpeech WaveNet σε κάθε ακρόαση;
Όχι. Το WaveNet είναι μία από τις πολλές οικογένειες της Google. Το Unified AI Voice Engine δρομολογεί επίσης τα Neural2, Polyglot, Chirp3 HD, Gemini και OpenAI ανάλογα με τη φωνή που επιλέγετε. Η επιλογή "Δημιουργία μίας φοράς, διατήρηση και αναπαραγωγή" σημαίνει ότι οι επαναλαμβανόμενες αναπαραγωγές χρησιμοποιούν το αποθηκευμένο αρχείο και όχι έναν νέο βρόχο δείγματος τύπου έρευνας.
-
Γιατί εξακολουθεί να αναφέρεται η συνένωση TTS;
Είναι η ιστορική βάση: συρραφή ηχογραφημένων μονάδων. Τα νευρωνικά μοντέλα παράγουν ήχο αντί να κολλούν συλλαβές. Η κατανόηση της συνένωσης έναντι του WaveNet εξηγεί γιατί οι σύγχρονες εμπορικές φωνές μπορούν να αλλάξουν στυλ χωρίς νέα συνεδρία ηχογράφησης.
-
Μπορώ να εκτελέσω αυτά τα μοντέλα στον δικό μου διακομιστή;
Το προϊόν ιστότοπου της GSpeech είναι Cloud Processing, Χωρίς Φόρτο Διακομιστή. Δεν φιλοξενείτε WaveNet, Gemini ή OpenAI στο WordPress. Δεν απαιτούνται κλειδιά API: η χρέωση και τα κλειδιά παραμένουν στην Κονσόλα Cloud.
-
Ισχύει το MOS του 2016 για το GSpeech σήμερα;
Το διάγραμμα MOS σε αυτήν τη σελίδα είναι η δημοσιευμένη αξιολόγηση WaveNet της Google. Το GSpeech δεν ισχυρίζεται τον ίδιο αριθμό για κάθε τρέχουσα φωνή. Η τρέχουσα εμπορική ποιότητα προέρχεται από το μείγμα μηχανών που αναφέρθηκε παραπάνω και όχι από την ανατύπωση ενός MOS του 2016 ως βαθμολογία προϊόντος.
-
Gemini Pro εναντίον Gemini Flash - ποια είναι η διαφορά;
Ίδια οικογένεια Gemini TTS και η ίδια προσαρμοσμένη γλώσσα φωνητικών προτροπών (στυλ, προφορά, ρυθμός, τόνος, συναίσθημα, ερμηνεία). Το Flash είναι πιο γρήγορο για καταλόγους. Το Pro είναι η διαδρομή υψηλότερης πιστότητας για βασικές σελίδες. Κανένα από τα δύο δεν απαιτεί κλειδί Gemini API στο GSpeech - επιλέγετε τη φωνή στην Cloud Console.
-
Είναι το Chirp3 HD το ίδιο με το WaveNet;
Όχι. Το WaveNet είναι η οικογένεια μοντέλων ακατέργαστων κυματομορφών του 2016 της Google. Το Chirp3 HD είναι μια νεότερη γενιά Cloud TTS υψηλής ευκρίνειας για ρεαλισμό και τονισμό. Οι φωνές Neural2, Polyglot και WaveNet εξακολουθούν να υπάρχουν στον κατάλογο του Google Cloud (όροφος 230+). Το GSpeech εκθέτει το Chirp3 HD ως φωνή κονσόλας χωρίς έργο Google Cloud.
Από χαρτί σε φωνή στην κονσόλα
Οι συστοιχίες συσσωρευτών, οι παραμετρικοί κωδικοποιητές φωνής και το στοίχημα ακατέργαστης κυματομορφής του WaveNet αποτελούν τη γενεαλογία. Το Gemini TTS (Pro / Flash) προσθέτει άμεση και ελεγχόμενη παράδοση. Το Chirp3 HD είναι η τρέχουσα νευρωνική οικογένεια HD του Google Cloud. Σε έναν ιστότοπο GSpeech ακούτε την τρέχουσα Unified AI Voice Engine μέσω ενός widget - Ολόκληρη Σελίδα, Κουμπί, Κύκλος ή Ανάγνωση επισημασμένου κειμένου (RHT) - με αρχεία που διατηρούνται μετά την πρώτη γενιά. Για το "πρέπει η διεύθυνση URL μου να έχει πρόγραμμα αναπαραγωγής", χρησιμοποιήστε το άρθρο με τα οφέλη. Για κλικ στο wp-admin, χρησιμοποιήστε τις οδηγίες.
