Krótka odpowiedź
Głos syntezatora mowy brzmi naturalnie, gdy dobrze radzi sobie z trzema rzeczami: prozodią (melodią i akcentem zdania), rytmem i pauzami oraz wymową trudnych elementów, takich jak imiona, liczby i skróty. Nowoczesne głosy neuronowe radzą sobie ze wszystkimi trzema znacznie lepiej niż dawne, robotyczne, a wiele z nich działa dziś w całości na iPhonie. Głosy na urządzeniu zachowują prywatność tekstu, działają bez połączenia i nie mają limitów znaków; ceną jest jednorazowe pobranie i trochę miejsca w pamięci.
Co sprawia, że głos brzmi naturalnie
Większość osób ocenia głos w ciągu pierwszych dziesięciu sekund. To błąd: pierwsze zdanie niemal każdego nowoczesnego głosu brzmi dobrze. Przy książce liczy się to, jak głos radzi sobie na 80. stronie, a to sprowadza się do kilku konkretnych rzeczy.
Prozodia: melodia zdania
Człowiek czytający na głos podnosi ton na końcu pytania, akcentuje słowo, które niesie znaczenie („Nie powiedziałem, że to ona to wzięła”), i obniża głos na końcu zdania oznajmującego. Płaska lub źle rozłożona intonacja to pierwsza rzecz, która męczy ucho, nawet gdy każde słowo jest wymówione poprawnie.
Rytm i pauzy
Przecinki, kropki, podziały akapitów i dialogi wymagają różnych pauz. Głos, który wszędzie robi taką samą krótką przerwę, brzmi pośpiesznie; taki, który przy każdym przecinku zatrzymuje się za długo, brzmi niepewnie. Dobre głosy lekko przyspieszają też na znajomych zwrotach i zwalniają na długich, nietypowych słowach, i właśnie dzięki temu mowa brzmi żywo, a nie jak metronom.
Wymowa trudnych przypadków
Zanim powstanie jakikolwiek dźwięk, tekst trzeba zamienić na słowa, które da się wypowiedzieć. Na tym etapie wiele głosów, które pięknie brzmią w demonstracji, potyka się na prawdziwych książkach:
- Liczby i daty: „1984” w jednym zdaniu jest rokiem, a w następnym ilością. „3/4” może być ułamkiem albo datą.
- Skróty: „św.” to „święty”, „świętej” albo „świętego”, „dr” to „doktor”, „doktora” albo „doktorowi”, zależnie od przypadka.
- Słowa pisane tak samo, ale wymawiane inaczej: po angielsku „I read it yesterday” a „I read every day”; „lead” jako metal a „lead” jako prowadzić zespół.
- Imiona i nazwy: postacie, miejsca i wymyślone słowa, których nie ma w żadnym słowniku.
Żaden głos nie radzi sobie ze wszystkim tym bezbłędnie przez cały czas, dlatego możliwość poprawienia wymowy jest równie ważna jak sam głos (więcej o tym niżej).
Głosy robotyczne a neuronowe
„Głos robota”, który większość osób pamięta, pochodzi ze starszych metod syntezy. Głosy oparte na regułach generują dźwięk z modelu toru głosowego: są bardzo zrozumiałe, nawet przy dużym tempie, dlatego niektórzy użytkownicy czytników ekranu nadal je wolą, ale nie da się ich pomylić z człowiekiem. Późniejsze głosy sklejały małe nagrane fragmenty prawdziwego mówcy, co z bliska brzmi po ludzku, ale daje słyszalne szwy w miejscach łączenia.
Głosy neuronowe działają inaczej. Model wytrenowany na wielu godzinach nagranej mowy przewiduje brzmienie całego zdania na podstawie jego tekstu, łącznie z intonacją i rozłożeniem w czasie. Efekt jest płynniejszy i znacznie bliższy człowiekowi czytającemu na głos. Nie są doskonałe: głos neuronowy może czasem położyć akcent na niewłaściwym słowie albo zawahać się przy rzadkim imieniu. Ale przy długim słuchaniu różnica w zmęczeniu jest duża.
Twój iPhone ma już wbudowane głosy systemowe, a niektóre można pobrać w większych wariantach, oznaczonych jako rozszerzony (Enhanced) lub Premium, w Ustawienia › Dostępność › Zawartość mówiona › Głosy. Dobrze sprawdzają się przy krótkich tekstach; nasz poradnik o tym, jak sprawić, by iPhone czytał tekst na głos, omawia je razem z ich ograniczeniami.
Synteza mowy na urządzeniu a w chmurze
Głosy neuronowe mogą działać na zdalnym serwerze albo bezpośrednio na telefonie. Oba podejścia są uprawnione; każde ma inne koszty i korzyści.
| Głosy w chmurze | Głosy na urządzeniu | |
|---|---|---|
| Dokąd trafia Twój tekst | Wysyłany na serwer w celu przetworzenia | Zostaje na iPhonie |
| Połączenie | Potrzebne podczas słuchania lub do wygenerowania dźwięku | Tylko do jednorazowego pobrania głosu |
| Limity | Często naliczane według znaków lub minut | Brak limitu znaków |
| Dane komórkowe | Zużywane w trakcie słuchania | Brak po zainstalowaniu głosu |
| Pamięć | Niewiele na telefonie | Każdy głos zajmuje miejsce |
| Bateria | Korzystanie z sieci | Mowa jest obliczana na telefonie |
| Ekspresja | Największe modele potrafią być bardzo ekspresyjne | Blisko w przypadku narracji, ograniczona możliwościami telefonu |
Kwestię prywatności ludzie najczęściej lekceważą. Jeśli słuchasz raportów służbowych, umów, pism od lekarza czy własnych niepublikowanych tekstów, synteza na urządzeniu oznacza, że nic z tego nie opuszcza telefonu. Drugą niespodzianką jest strona praktyczna: samolot, metro, domek w górach bez zasięgu albo rachunek za roaming, którego wolisz uniknąć. Głos na urządzeniu po prostu czyta dalej.
Koszty też są realne. Głosy trzeba pobrać, najlepiej przez Wi-Fi, i zajmują miejsce, więc instaluj te, których naprawdę będziesz używać, a pozostałe usuń. Generowanie mowy obciąża procesor, więc długa sesja zużywa więcej baterii niż odtwarzanie pliku audio; iPhone'y mają Apple Neural Engine, zaprojektowany właśnie do tego rodzaju pracy.
Jak robi to VocaRead
VocaRead uruchamia wszystkie swoje głosy na urządzeniu. Pobierasz głos raz, a potem wszystko działa offline: bez konta, bez przetwarzania w chmurze, a Twoje książki nigdy nie opuszczają iPhone'a. Jest ponad 200 głosów, w tym 144 neuronowe głosy premium, w ponad 30 językach, a silniki neuronowe są przyspieszane przez Apple Neural Engine. Nowszy silnik czytania jest dostępny jako opcjonalna beta w Ustawienia › Głosy; ten poradnik wyjaśnia, jak go wypróbować i jak wrócić do poprzedniego. Zobacz pełny katalog głosów.
Nie ma licznika znaków. Jedyny limit jest handlowy i podany otwarcie: 90 minut darmowego słuchania na książkę, potem jednorazowy zakup Premium dający nieograniczone słuchanie. Odtwarzanie odbywa się w aplikacji; VocaRead nie eksportuje plików MP3.
Jak wybrać głos do książki
Najpierw dopasuj język
Zawsze używaj natywnego głosu dla języka książki. Angielski głos czytający francuską powieść zniekształci każde imię i większość zdań. Jeśli czytasz w kilku językach, zainstaluj jeden dobry głos na każdy język, a nie jeden głos do wszystkiego.
Dopasuj lektora do książki
Ciepły, niespieszny głos pasuje do powieści lub wspomnień. Wyrazisty, neutralny pasuje do książki technicznej lub raportu, gdzie jasność liczy się bardziej niż charakter. Beletrystyka z dużą ilością dialogów wymaga głosu z wyraźnymi zmianami intonacji, bo jeden lektor czyta wszystkie postacie.
Testuj na właściwych stronach
Pomiń pierwszy akapit pierwszego rozdziału. Zamiast tego odtwórz stronę z dialogiem, stronę z liczbami lub datami i stronę z imionami głównych bohaterów. Potem posłuchaj przez dziesięć minut, zanim zdecydujesz. Drobne maniery, które oczarowują w próbce, mogą drażnić po godzinie, i odwrotnie.
Ustaw tempo dla każdej książki
VocaRead pozwala ustawić tempo od 0,5x do 2,0x i zapamiętuje je dla każdej książki. Zacznij od 1,0x i zmieniaj je małymi krokami. Gęsta literatura faktu często sprawdza się najlepiej w normalnym tempie lub nieco poniżej; znany gatunek czy ponowna lektura mogą iść przy 1,3x lub szybciej. Jeśli czytasz w drugim języku, zwolnienie do około 0,8x zachowuje naturalność głosu, a daje Ci czas, by nadążyć.
Poprawianie imion i słów dzięki własnym wymowom
Nawet najlepszy głos źle zgadnie wymyślone imię i popełni ten sam błąd na każdej stronie. W VocaRead przytrzymaj słowo, wpisz, jak ma być wymawiane, a reguła zapisze się dla tego języka i zsynchronizuje przez iCloud z iPadem. Jedna poprawka naprawia całą książkę. Nasz poradnik o tym, jak poprawić źle wymawiane nazwiska, podpowiada, jak pisać reguły, które działają.
Z czym głosy syntetyczne wciąż radzą sobie gorzej
Szczerość jest tu pomocna. Syntetyczny lektor czyta poezję bardziej płasko niż dobry aktor, nie odgrywa głosów postaci i może przeoczyć ironię, którą człowiek oddałby tonem. Tabele, przypisy i długie listy bibliografii są niewygodne dla każdego głosu. Przy powieści, w której wiele zależy od interpretacji, audiobook czytany przez lektora może wciąż być lepszym doświadczeniem; w przypadku tysięcy książek, artykułów naukowych i dokumentów, które nigdy się go nie doczekają, to właśnie naturalny głos na urządzeniu w ogóle umożliwia słuchanie. Porównujemy oba rozwiązania w artykule synteza mowy czy audiobooki.
Najczęściej zadawane pytania
Czy głosy na urządzeniu są tak dobre jak głosy w chmurze?
W narracji najlepsze neuronowe głosy na urządzeniu są blisko, a wygrywają prywatnością, działaniem offline i brakiem limitów użycia. Największe modele chmurowe mogą być bardziej ekspresyjne, kosztem wysyłania tekstu poza urządzenie i płacenia za użycie.
Czy mój tekst jest gdzieś wysyłany, gdy słucham?
Nie przy syntezie na urządzeniu. W VocaRead dźwięk jest generowany na iPhonie, a książki nigdy go nie opuszczają. Połączenie potrzebne jest tylko do pobrania głosu, darmowej książki lub strony WWW.
Czy głosy offline zajmują dużo miejsca?
Każdy głos to pobranie, które zostaje na telefonie. Instaluj głosy, których naprawdę słuchasz, jeden lub dwa na język, i usuń te, które wypróbowałeś, ale nie zatrzymałeś.
Jakiego tempa używać?
Zacznij od 1,0x i dostosowuj małymi krokami, aż przestaniesz zauważać głos. Większość słuchaczy kończy gdzieś między 1,0x a 1,5x, wolniej przy gęstym materiale lub w drugim języku.
Najlepiej ocenić głos na książce, którą znasz. Pobierz VocaRead, zaimportuj jeden z własnych plików i wypróbuj kilka głosów: każda książka zawiera 90 minut darmowego słuchania, a Premium to jednorazowy zakup, nie subskrypcja.