Táto stránka je o ako vzniká rečzreťazené klipy, parametrické vokodéry, surový zvuk v štýle WaveNet a neurónové modely, ktoré GSpeech dnes smeruje. Nie je to zoznam „prečo pridať prehrávač“ – ten žije ďalej Výhody TTS na webových stránkachNie je to ani návod na inštaláciu WordPressu.
Na aktívnej stránke si nevyberáte výskumnú prácu. Vyberáte hlas v Cloud Console. V rámci tejto voľby Zjednotený hlasový engine s umelou inteligenciou (komerčné) umožňuje používať OpenAI, Gemini, Google Cloud, Chirp3 HD, Neural2, Polyglot a WaveNet – nevyžadujú sa žiadne kľúče API. Cloudové spracovanie, žiadne zaťaženie servera, udržiava syntézu mimo vášho pôvodu.
Syntetický kanál (čo sa vlastne deje)
Syntéza reči premieňa zapísané tokeny na priebeh. Prehrávač webovej stránky je len posledným krokom: prehrá súbor. Zaujímavá práca je skôr.
- V texte - izolovaný článok, zvýraznený rozsah (RHT) alebo preložený reťazec. Izolácia je práca na produkte, nie článok o vokóderi.
- Jazyková analýza - slová, zdôraznenie, pauzy. Nachádzajú sa tu aliasy inteligentnej výslovnosti: reťazce značiek, ktoré by model inak uhádol.
- Akustický model - zreťazené jednotky, parametrický vokodér alebo neurónová sieť, ktorá predpovedá zvuk.
- Výstupný priebeh - uložené raz v časti Generovať raz, Ponechať a prehrať, potom streamované. Prehliadač speechSynthesis preskočí tento obchod a použije to, čo dodal operačný systém.
Tri rodiny modelov TTS
Zreťazený text na reč ukladá krátke klipy rečníkov a rekombinuje ich. Zmena rečníka alebo emócie zvyčajne znamená zaznamenanie novej databázy. Túto myšlienku využívali klasické zásobníky v štýle Siri.
Parametrický TTS zachováva rečové vlastnosti v parametroch modelu. Skoršie verzie často zneli menej prirodzene ako konkatenatívne, pretože zvuk prechádzal cez vocoder.
Neurónové systémy stoja na vrchole tejto histórie. Zásobníky založené na pravidlách a štatistických údajoch stále existujú v učebniciach. To, čo počujete v komerčných hlasoch GSpeech, je syntéza umelej inteligencie: OpenAI, Gemini, Google Cloud Neural2 / Polyglot / Chirp3 HD a WaveNet – nie lokálna konkatenatívna banka na vašom PHP hostiteľovi.
WaveNet: modelovanie surového tvaru vlny
WaveNet zmenil parametrický príbeh tým, že predpovedal vzorku zvukového signálu po vzorke namiesto odovzdávania kompaktného spektrogramu vokodérovi. Práca spoločnosti Google z roku 2016 ukázala, že dilatovaná konvolučná sieť dokáže pokryť tisíce časových krokov. Surový zvuk je hustý – zvyčajne 16 000 vzoriek za sekundu alebo viac – takže autoregresné generovanie je drahé, ale zachytáva mľaskanie pier a zvláštnosti reproduktorov, ktoré konkatenatívne lepenie často prehliada.
PixelRNN a PixelCNN ukázali, že generovanie obrazu po jednotlivých kanáloch je možné. WaveNet je 1D verzia tejto myšlienky: plne konvolučná sieť, ktorej dilatačné faktory exponenciálne zväčšujú receptívne pole.
V čase trénovania sú vstupmi reálne zaznamenané priebehy. V čase vzorkovania každý krok čerpá z predpokladaného rozloženia siete, vracia túto vzorku späť a pokračuje. Táto slučka je dôvodom, prečo bol skorý WaveNet len na výskumné výpočty; neskoršie zásobníky ho zúžili na produkčný Google TTS.
MOS a rozdiel v roku 2016
Hodnotené spoločnosťou Google WaveNet proti vtedajším najlepším parametrickým a zreťazcovým systémom s použitím Priemerné skóre názorov (MOS) - slepé hodnotenia ľuďmi (viac ako 500 hodnotení na 100 testovacích vetách v pôvodnej správe). WaveNet v týchto testoch znížil zostávajúci rozdiel oproti ľudskej reči o viac ako polovicu v prípade americkej angličtiny a mandarínskej čínštiny. Ide o výskumný míľnik, nie marketingové skóre GSpeech.
WaveNet je jednou z rodín v Unified AI Voice Engine. Neskoršie skupiny - Gemini TTS, Chirp3 HD, Neural2, Polyglot a OpenAI – sú to, čo si vyberiete ako hlas v Cloud Console. Na WordPresse nenasadíte kontrolný bod WaveNet.
Gemini TTS: reč riadená promptom
WaveNet predpovedal ďalšiu zvukovú vzorku. Gemini TTS je neskoršia cesta generovania reči od Googlu: popíšete, ako by mal text znieť v prirodzenom jazyku – štýl, prízvuk, tempo, tón, emócie, spôsob – a model vykoná tento pokyn. Preto GSpeech vlastné hlasové pokyny a Hlasové vibrácie (štýly, nie ďalšie hlasové ID) sú dôležité na Gemini: ovládací prvok sa nachádza v prompte, nie v novej konkatenatívnej banke.
Najprv sa stále vykonáva jazykové čistenie. Aliasy inteligentnej výslovnosti môžu rozšíriť skratku alebo uzamknúť token značky; Gemini potom prehovorí pripravený reťazec s požadovaným doručením. Oficiálne poznámky k API: Gemini TTS.
Najvernejšie rozprávanie v štýle Gemini, keď je súčasťou stránky aj odkaz na počúvanie: hlavné príspevky, vysvetľujúce značky, text produktu.
Rovnaký jazyk výziev ako v Pro, vyladený pre rýchlejšie generovanie v katalógu príspevkov alebo SKU.
Gemini Pro
Gemini Pro je ultrarealistický model Gemini TTS v rámci GSpeech. Napíšete si vlastné hlasové pokyny rovnako ako by ste informovali rozprávača: pokojnejšie vysvetľovanie produktu, jasnejší blog, výraznejší prízvuk, pomalšie tempo, viac emócií. Viditeľný HTML kód zostáva čistý pre čitateľov aj SEO. Neexistuje žiadny samostatný kláves Gemini, žiadny projekt Google AI Studio ani žiadna ďalšia konzola poskytovateľa.
Technicky vzaté, stále ide o cloudovú syntézu, teda o uložený súbor. Opakované počúvania sú prehrávanie, nie nová Gemini cesta späť. Použite Pro, keď je zvuk zážitkom – napríklad hlavný článok alebo stránka produktu, kde by sa podanie malo zdať riadené, nie všeobecné.
Gemini Flash
Gemini Flash je tá istá rodina Gemini TTS, vytvorená pre rýchlosť. Slovná zásoba s rýchlymi pokynmi zodpovedá verzii Pro (štýl, prízvuk, tempo, tón, emócie, prednes), takže môžete načrtnúť hlasový pokyn raz a znova ho použiť, zatiaľ čo Flash rýchlejšie otáča stránky. Ťažký robot z katalógu: veľa príspevkov, popisy WooCommerce, viacjazyčné koncepty. Zvýšte hodnotu URL adresy hrdinu na verziu Pro, keď chcete maximalizovať výkon.
Chirp3 HD: Google Cloud’s current HD neural family
Chirp3 HD nie je „WaveNet s novým názvom“. WaveNet (2016) modeloval surový zvuk s dilatovanými konvolúciami. Hlasy Neural2, Polyglot a WaveNet sú stále v katalógu Google Cloud ( 230+ poschodie: Standard, WaveNet, Neural2, Polyglot, Journey, Studio, News). Chirp3 HD je novšia generácia cloudového TTS od spoločnosti Google s vysokým rozlíšením – vytvorená pre realizmus a prirodzenú intonáciu, a nie pre ploché čítanie nahlas. Oficiálne poznámky: Chirp 3 HD.
V rámci GSpeech je Chirp3 HD hlasom cloudovej konzoly: žiadny projekt Google Cloud, žiadny JSON zo servisného účtu. Vy si vyberiete hlas; syntéza prebieha na základe vášho pôvodu; súbor sa uloží a prehrá prostredníctvom režimu Celá stránka, Tlačidlo, Kruh, Plávajúce, Kontext alebo RHT. Rýchlosť a výška tónu zostávajú v konzole. Názvy značiek stále patria do aliasov inteligentnej výslovnosti – táto vrstva je nezávislá od toho, ktorú rodinu hlasov Google ste si vybrali.
Kedy si vybrať Chirp3 HD vs. Gemini: Chirp3 HD, ak chcete produkčnú neurónovú kvalitu Google Cloud HD a konzistentné čítanie nezávislé od zariadenia. Gemini Pro / Flash, ak chcete ovládať štýl a emócie v prirodzenom jazyku. Obe sú komerčné cesty Unified AI Voice Engine. Celkový počet enginov je 300+ hlasov cez Jazyky 98 (Gemini ~30 × 3 pre Chirp 3 HD, Flash a Pro na jazyk, plus OpenAI 11 × 2, plus katalóg Google Cloud). Hlasové vibrácie sú štýly, nie ďalšie ID.
- Neurálny2 - široko používané produkčné neurónové hlasy v tom istom katalógu Google Cloud.
- polyglot - silnejší viacjazyčný/medzijazyčný výkon.
- WaveNet - rodina raw-waveform z roku 2016, stále dostupná ako katalógové hlasy, nie je to jediná cesta Google.
Unified AI Voice Engine verzus prehliadač TTS
zariadení speechSynthesis je lokálne API. Hlasy sa líšia v závislosti od operačného systému. Neexistuje súbor typu „Vygenerovať raz, ponechať a prehrať“, žiadna inteligentná synchronizácia zvuku pri zmene kópie CMS a žiadna vrstva výziev Voice Vibes. GSpeech Cloud Processing spúšťa model v cloude, ukladá súbor a widget ho prehráva. Dočasné problémy s generovaním neodstraňujú predtým vygenerované súbory. Súbory sa neodstránia, keď sa účet vráti na bezplatný plán. Nové generovanie stále nasleduje po aktívnom pláne.
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"Hlasové vibrácie (komerčné) sú v štýle na strane výzvy, nie sú to nové konkatenatívne banky. Aliasy opravujú spôsob vyslovovania tokenu bez zmeny viditeľného HTML kódu. Obe sú riadiace vrstvy nad akustickým modelom, ktorý engine vybral pre daný hlas.
Často kladené otázky o technológii prevodu textu na reč
Modely a pipeline – nie nastavenie pluginu.
-
Používa GSpeech WaveNet pri každom počúvaní?
Nie. WaveNet je jednou z niekoľkých rodín Google. Unified AI Voice Engine tiež smeruje Neural2, Polyglot, Chirp3 HD, Gemini a OpenAI v závislosti od zvoleného hlasu. Funkcia „Generovať raz, ponechať a prehrať“ znamená, že opakované prehrávania používajú uložený súbor, nie novú slučku vzoriek v štýle výskumu.
-
Prečo sa stále spomína zreťazený TTS?
Je to historická základná línia: spájanie nahraných jednotiek. Neurónové modely generujú zvuk namiesto lepenia slabík. Pochopenie zreťazovania verzus WaveNet vysvetľuje, prečo moderné komerčné hlasy môžu zmeniť štýl bez nového nahrávania.
-
Môžem tieto modely spúšťať na vlastnom serveri?
Webový produkt GSpeech je cloudové spracovanie bez zaťaženia servera. Na WordPresse nehosťujete WaveNet, Gemini ani OpenAI. Nie sú potrebné žiadne kľúče API: fakturácia a kľúče zostávajú v cloudovej konzole.
-
Vzťahuje sa MOS z roku 2016 na GSpeech aj dnes?
Graf MOS na tejto stránke je hodnotenie WaveNet publikované spoločnosťou Google. GSpeech netvrdí, že toto číslo je rovnaké pre každý aktuálny hlas. Aktuálna komerčná kvalita pochádza z vyššie uvedeného mixu enginov, nie z opätovného vytlačenia MOS z roku 2016 ako produktového skóre.
-
Gemini Pro vs. Gemini Flash - aký je rozdiel?
Rovnaká rodina Gemini TTS a rovnaký vlastný jazyk hlasových pokynov (štýl, prízvuk, tempo, tón, emócie, podanie). Flash je rýchlejší pre katalógy; Pro je cesta s vyššou vernosťou pre hlavné stránky. Ani jeden z nich nevyžaduje kľúč Gemini API v GSpeech – hlas si vyberiete v Cloud Console.
-
Je Chirp3 HD to isté ako WaveNet?
Nie. WaveNet je rodina modelov surových priebehov od spoločnosti Google z roku 2016. Chirp3 HD je novšia generácia cloudového TTS s vysokým rozlíšením pre realizmus a intonáciu. Hlasy Neural2, Polyglot a WaveNet stále existujú v katalógu Google Cloud (minimálna výška 230 hlasov). GSpeech zobrazuje Chirp3 HD ako konzolový hlas bez projektu Google Cloud.
Z papiera k hlasu v konzole
Základom sú konkatenatívne banky, parametrické vokodéry a stávka WaveNet na surové vlnové formy. Gemini TTS (Pro / Flash) pridáva doručovanie riadené promptom; Chirp3 HD je súčasná neurónová rodina HD od Google Cloud. Na stránke GSpeech počujete aktuálny Unified AI Voice Engine prostredníctvom widgetu – Celá stránka, Tlačidlo, Kruh alebo Čítanie zvýrazneného textu (RHT) - so súbormi uchovávanými po prvej generácii. Pre otázku „mala by mať moja URL adresa prehrávač?“ použite článok o výhodách. Pre kliknutia vo wp-admin použite návod ako na to.
