Szöveg felolvasása MI-hanggal: gyakorlati útmutató az ElevenLabs használatához

TellMeWhy nevű YouTube-csatornánkon egy MI-hang 3449 mondatot olvasott fel, összesen nagyjából 395 percnyi beszédet 94 különböző témáról szóló videókban. Mindez az ElevenLabs szolgáltatással készült. Az alábbiakban azt a módszert mutatjuk be, amely bevált nálunk: hogyan készítse elő a szöveget, hogyan válasszon és állítson be hangot, hogyan generáljon részletekben, hogy a beszéd folyamatos legyen, és mennyibe kerül mindez a saját felvételeink alapján.

1. Fülre írja a szöveget

A hang pontosan azt olvassa fel, amit leír. A legtöbb munkát azzal spórolja meg, ha eleve hallgatásra ír:

• Rövidebb mondatok. A sok közbeékelt részt tartalmazó hosszú mondatot a hang felolvassa, de a hallgató elveszik benne.
• Számok, rövidítések és nevek úgy, ahogy hangzaniuk kell. A Multilingual v2 nem támogatja a fonetikus jelölést, ezért ha egy szót rosszul ejt ki, írja le másképp (például úgy, ahogy kiejtik). A visszatérő szavakat egyszer kell javítani egy kiejtési szótárban.
• Szünetek írásjelekkel. A vessző, a pont, a gondolatjel és a három pont rövid szünetet tart. Pontosabb a <break time="1.0s" /> jelölő, legfeljebb 3 másodperces szünettel. A Multilingual v2-ben működik, az újabb Eleven v3 és v4 nem támogatja, így ha magyarul az Eleven v3-mal dolgozik, erre nem számíthat. Ne vigye túlzásba: sok jelölőnél a hang gyorsulni kezdhet, vagy zajokat adhat ki.

A Multilingual v2 egy kérésben legfeljebb 10 000 karaktert fogad el, ami a mi tempónkkal nagyjából 11 percnyi beszéd. Mi azonban mondatonként generálunk. Így egy rosszul sikerült mondatot külön újra lehet készíteni anélkül, hogy az egész szövegért újra fizetnénk.

2. Ugyanazzal a mondattal válasszon hangot

A hangtárban több száz hang van, és a saját mintáik mindig jól szólnak. Az számít viszont, hogyan olvassák fel az Ön szövegét. Ezért minden szóba jöhető hanggal ugyanazt a mondatot olvastattuk fel a forgatókönyvünkből, és egymás mellett meghallgatva választottunk.

Két szabály, amely megérte:

• Minden projektnek saját hangja van. Az Outcomo weboldalunk promóciós videói más hangon szólnak, mint a TellMeWhy, hogy senki ne keverje össze őket.
• Menet közben ne cseréljen hangot. Amikor a csatorna hangját lecseréltük, a régebbi videók az eredeti hangnál maradtak. Különben egyetlen mondat javítása idegen hangot hozna a videóba.

3. A hang beállításai

Ugyanazok a csúszkák vannak az alkalmazásban és az API-ban. Mi így állítottuk be őket:

Beállítás	Alapérték	Első hangunk	Will nevű hang
Stabilitás (stability)	0,5	0,45	0,4
Hasonlóság (similarity_boost)	0,75	0,75	0,75
Stílus (style)	0	0,15	0,2
Beszélőerősítés (use_speaker_boost)	be	be	be
Sebesség (speed)	1	1	1,05

• Stabilitás: azt szabja meg, mennyire változik az előadásmód. Alacsonyabb értéken több az érzelem, magasabbon nyugodtabb, végül egyhangú a hang. A mieink 0,45 és 0,4, az alapértelmezett 0,5 alatt, hogy a narráció ne legyen lapos.
• Hasonlóság: azt mutatja, mennyire tartja magát a hang az eredetihez. Az alapértéken hagyjuk.
• Stílus: felerősíti az eredeti beszélő előadásmódját, de lassítja a generálást. Nekünk kis érték is elég.
• Beszélőerősítés: növeli a hasonlóságot az eredeti hanggal. Nálunk be van kapcsolva.
• Sebesség: az alapérték (1) a normál tempó. A Will nevű hang 1,05 értéken beszél.

4. Mondatonként generáljon, és tartsa meg a hanglejtést

Ha a mondatokat külön generálják, mindegyik más hanglejtéssel kezdődhet, és az eredmény összetoldottnak hangzik. Erre az API-nak két paramétere van: a previous_text és a next_text, vagyis az aktuális mondat előtti és utáni szöveg. Mi minden kérésnél elküldjük a szomszédos mondatokat, és az átmenetek folyamatosak lesznek.

Ha egy mondat nem sikerül, generálja újra: minden próbálkozás kicsit másképp szól. A kreditekkel viszont spóroljon: mi csak azokat a mondatokat generáljuk újra, amelyeknek megváltozott a szövege, a hangja vagy a beállítása. Minden más marad, ahogy volt.

5. A felirat ráadásként jár

A hang mellett az ElevenLabs minden karakter időpontját is vissza tudja adni (a with-timestamps kérés). Ebből szóról szóra haladó feliratot készítünk, amely pontosan illeszkedik a beszédhez. Ugyanezekből az időkből számoltuk a lenti beszédtempót is.

Mennyibe kerül

A Multilingual v2 modellnél a szöveg minden karaktere 1 kreditbe kerül. A szóközök, az írásjelek és a szünetjelölők is beleszámítanak. Az ElevenLabs árlistája úgy váltja át a krediteket percekre, mintha egy perc 1000 karakterből állna. Nálunk percenként 874 karakter jött ki (a legtöbb videóban 794 és 921 között), így ugyanannyi kredit valamivel több beszédre elég.

Csomag	Kredit havonta	Beszédünk percei
Free	10 000	11
Starter	30 000	34
Creator	121 000	138
Pro	600 000	686

Az ingyenes csomag havonta 10 000 kreditet ad, ami nálunk nagyjából 11 percnyi beszéd. Hangok kipróbálására elég. A kereskedelmi licencet, vagyis a pénzt hozó videókhoz szükséges engedélyt az árlista csak a fizetős Starter csomagtól kezdve tünteti fel.

Összefoglalva

1. Fülre írjon: rövid mondatok, a számok és nevek úgy, ahogy kiejtik őket.
2. A hangot ugyanazzal a mondattal válassza ki a saját szövegéből, aztán ne cserélje le.
3. Ha a hang laposnak tűnik, vigye a stabilitást az alapérték alá.
4. Mondatonként generáljon, és küldje el a szomszédos szöveget is, hogy a beszéd folyamatos legyen.
5. Csak azt generálja újra, ami megváltozott, és ne feledje, hogy a szóközökért is fizet.

Kíváncsi, mi történik egy mesterséges intelligencia belsejében? Rajzoljon egy számjegyet vagy betűt, és nézze meg, hogyan ismeri fel egy neurális háló.