Паузы и произношение в синтезе речи: управляйте голосом через текст
Большинство проблем синтезированной речи — в тексте, а не в голосе: не хватает паузы, имя прочитано не так, число не в той форме. В SuperClonica всё управляется самим текстом и несколькими опциями движка, без языка разметки.
В этом руководстве — как движок читает ваш текст, как добавить паузы, как исправить произношение и когда менять дубль или скорость.
Как движок читает текст
Опция языка должна совпадать с языком текста, иначе слова будут прочитаны чужими звуками.
- Пунктуация задаёт ритм: запятая — короткая пауза, точка — длиннее.
- Цифры читаются словами на 27 языках, кроме хинди, греческого, эстонского и хорватского, и слова не склоняются.
- Чатовые сокращения расшифровываются на семи языках: русском, английском, польском, французском, португальском, испанском и немецком.
- И то и другое отключается опциями --no-numbers и --no-slang.
- Теги SSML не поддерживаются: пишите текст так, как он должен звучать.
Проба трудной фразы онлайн
На странице любого голоса вставьте фразу, с которой не ладится, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд вы услышите, как движок её читает, и сможете поправить текст и попробовать снова. Регистрация не нужна.
Паузы
Движок обрезает тишину до и после фразы; --keep-silence её сохраняет, что удобно при склейке частей.
- Запятая — вдох, точка — отчётливая пауза.
- Многоточие — для сомнения или интриги: «Ну... я не уверен».
- Новое предложение вместо длинного: между предложениями голос делает паузу.
- Для паузы точной длины озвучьте части отдельно и вставьте тишину нужной длины в аудиоредакторе.
Произношение
Перепишите то, что движок читает неправильно, так, как оно должно звучать: иностранное имя, бренд, редкое слово. Сокращения пишите либо буквами через пробел, либо полностью словами. Где важна грамматика, пишите числа словами: движок не согласует падежи, и «с 5 друзьями» лучше написать как «с пятью друзьями». Длинное составное слово, которое смазывается, разделите дефисом. Переписанный вариант держите только в тексте для озвучки, а не в публикуемом.
Дубли, скорость и громкость
Каждый запуск — новый дубль: если фраза звучит чуть не так, озвучьте её ещё раз или задайте --seed с числом, чтобы перебрать дубли и повторить понравившийся. Скорость по умолчанию 1,05; меньшее значение, например 0,95, замедляет голос, большее, например 1,1, ускоряет. Опция --normalize выравнивает громкость всех файлов до −18 LUFS. Всё это есть в бесплатном движке SuperClonica: python -m pip install superclonica-cpu, затем superclonica --text "Ваш текст" --voice F1 --lang ru --seed 7 --speed 0.95 --output take.wav.