Pausas e pronúncia em texto em fala: controle a voz pelo texto
A maioria dos problemas da fala sintética vem do texto, não da voz: falta uma pausa, um nome é lido errado, um número sai na forma errada. Na SuperClonica tudo é controlado pelo próprio texto e por algumas opções do motor, sem linguagem de marcação.
Este guia mostra como o motor lê o seu texto, como adicionar pausas, como corrigir a pronúncia e quando trocar a tomada ou a velocidade.
Como o motor lê o seu texto
A opção de idioma deve coincidir com o idioma do texto; senão as palavras são lidas com sons de outra língua.
- A pontuação define o ritmo: uma vírgula dá uma pausa curta, um ponto final uma mais longa.
- Os algarismos são lidos por extenso em 27 idiomas, mas não em hindi, grego, estoniano nem croata, e as palavras não são flexionadas.
- Abreviações de chat são escritas por extenso em sete idiomas: português, inglês, russo, polonês, francês, espanhol e alemão.
- As duas coisas se desligam com --no-numbers e --no-slang.
- Tags SSML não são suportadas: escreva o texto do jeito que deve soar.
Teste uma frase difícil grátis
Na página de qualquer voz, cole a frase que está dando trabalho, de 30 a 100 caracteres, escolha o idioma e clique no botão para gerá-la. Em poucos segundos você ouve como o motor a lê, e pode mudar o texto e tentar de novo. Não precisa de conta.
Pausas
O motor corta o silêncio antes e depois de uma frase; --keep-silence o mantém, o que ajuda ao juntar partes.
- Uma vírgula para respirar, um ponto final para uma pausa clara.
- Reticências para dúvida ou suspense: “Bom... não tenho certeza.”
- Uma frase nova em vez de uma longa: a voz faz uma pausa entre frases.
- Para uma pausa exata, gere as partes separadamente e insira o silêncio que precisar num editor de áudio.
Pronúncia
Reescreva o que o motor lê errado do jeito que deve soar: um nome estrangeiro, uma marca, uma palavra rara. Escreva as siglas como letras separadas por espaços ou como palavras completas. Onde a gramática importar, escreva os números por extenso. Separe com hífen uma palavra composta longa se ela sair embolada. Mantenha a versão reescrita só no texto que você gera, não no que publica.
Tomadas, velocidade e volume
Cada execução é uma tomada nova: se uma frase soar um pouco estranha, gere de novo ou use --seed com um número para testar tomadas diferentes e repetir a que gostar. A velocidade padrão é 1,05; um valor menor como 0.95 deixa a voz mais lenta, um maior como 1.1 mais rápida. A opção --normalize deixa todos os arquivos no mesmo volume, −18 LUFS. Tudo isso está no motor gratuito SuperClonica: python -m pip install superclonica-cpu, e depois superclonica --text "Seu texto" --voice F1 --lang pt --seed 7 --speed 0.95 --output tomada.wav.