Texto em fala com emoção: como deixar uma voz IA expressiva
Fala sem emoção serve para um manual, mas uma história, uma fala de jogo ou um trailer precisam de emoção: empolgação, raiva, calma, medo, sarcasmo. Alguns serviços de texto em fala oferecem tags de emoção; o Supertonic 3, o modelo aberto usado pela SuperClonica, não. A emoção dele vem de três coisas que você controla.
Este guia explica como conseguir uma fala expressiva com honestidade: escolhendo a voz certa, treinando uma voz a partir de uma gravação interpretada com a emoção que você precisa e escrevendo o texto do jeito que ele deve ser sentido. Cada voz pode ser testada de graça com a sua frase.
De onde vem a emoção
Não existe um controle de alegria ou raiva, então planeje a emoção antes de gerar o texto.
- A voz: cada voz mantém o jeito da gravação da qual foi feita, calma, viva, sombria ou saltitante.
- A referência: uma voz treinada numa gravação com raiva, sussurrada ou alegre diz qualquer texto nesse clima.
- O texto: pontuação, tamanho das frases e escolha das palavras definem a entonação e a energia.
Escolha uma voz expressiva
As descrições do catálogo dizem como cada voz entrega as falas: uniforme, viva, aos saltos, contida, sorrateira. Para energia, escolha vozes descritas como vivas ou enérgicas, como narradores enérgicos e muitos personagens de jogos e desenhos. Para calma e acolhimento, vozes graves e uniformes. Para ameaça, vilões de fala grave e pausada funcionam melhor.
Escreva a emoção no texto
O modelo lê a frase inteira de uma vez, então a pontuação muda a melodia da frase, não só as pausas.
- Empolgação: frases curtas e pontos de exclamação.
- Calma: frases mais longas, pontos finais, sem exclamações.
- Dúvida ou suspense: reticências e vírgulas para pausas.
- Perguntas: o ponto de interrogação sobe o fim da frase.
- Personalidade: as palavras que alguém diria de verdade nesse estado.
Treine uma voz com a emoção que você precisa
Para um clima específico que nenhuma voz tem, grave uma referência limpa de 5 a 10 segundos interpretada nesse clima, com o texto exato, e treine uma voz com ela no estúdio em um computador com placa de vídeo NVIDIA, ou encomende na bolsa. Várias vozes do mesmo falante, calma, com raiva e sussurrada, permitem trocar de emoção fala a fala.
Teste e gere offline
Na página de qualquer voz, escreva sua frase de 30 a 100 caracteres e clique no botão para ouvir como ela lida com a emoção. Para muitas falas, baixe o arquivo da voz e use o motor gratuito SuperClonica: python -m pip install superclonica-cpu, depois superclonica --text "Saia. Agora." --voice vilao.json --lang pt --output fala.wav. Funciona offline em um processador comum.