Demostración de texto a voz
Un sintetizador de voz conduce un diálogo entre una pluralidad de hablantes sintetizados, incluyendo un hablante propio y uno o más hablantes asociados, mediante el uso de una tabla de perfiles de voz que describe las características emocionales de las voces sintetizadas, una base de datos de hablantes que almacena datos de características para diferentes tipos de hablantes y/o diferentes tonos de habla, un motor de síntesis de voz que sintetiza el habla a partir de un texto de entrada de acuerdo con los datos de características que se ajustan al perfil de voz asignado a cada hablante sintetizado, y un gestor de perfiles que actualiza los perfiles de voz según el contenido del texto hablado. Los perfiles de voz de los interlocutores se derivan inicialmente del perfil de voz del interlocutor propio. Un diálogo sintetizado puede establecerse simplemente seleccionando el perfil de voz del hablante propio.
un diccionario de palabras que almacena información que indica las características de las palabras; una tabla de perfiles de voz que almacena al menos un perfil de voz que incluye información que indica las características de una voz sintetizada, asignándose a cada uno de los hablantes sintetizados un perfil de voz almacenado en la tabla de perfiles de voz; un analizador de texto para recibir un texto de entrada que será pronunciado por uno de los hablantes sintetizados y extraer palabras del texto de entrada; una base de datos de hablantes que almacena datos de características para diferentes tipos de hablantes y/o diferentes tonos de habla y un motor de síntesis de voz para referirse a la tabla de perfiles de voz para obtener el perfil de voz de dicho orador sintetizado, buscar en la base de datos de oradores para encontrar datos de características que se ajusten al perfil de voz de dicho orador sintetizado, y sintetizar el habla a partir del texto de entrada de acuerdo con los datos de características encontrados en la base de datos de oradores; en el que uno de la pluralidad de oradores sintetizados se designa como orador propio, cada uno de los otros oradores sintetizados se designa como orador asociado, y el perfil de voz asignado a cada orador asociado se deriva inicialmente del perfil de voz asignado al orador propio.
Google wavenet
El lenguaje de marcado de síntesis de voz (SSML) es un lenguaje de marcado basado en XML que permite a los desarrolladores especificar cómo se convierte el texto de entrada en voz sintetizada mediante la conversión de texto en voz. En comparación con el texto plano, el SSML permite a los desarrolladores ajustar el tono, la pronunciación, la velocidad del habla, el volumen, etc. de la salida de texto a voz. Los signos de puntuación normales, como la pausa después de un punto, o la entonación correcta cuando una frase termina con un signo de interrogación, se manejan automáticamente.
Utilice una voz neural similar a la humana o cree su propia voz neural personalizada y exclusiva para su producto o marca. Para obtener una lista completa de los idiomas, las configuraciones regionales y las voces compatibles, consulte la sección de compatibilidad de idiomas. Para obtener más información sobre el uso de una voz neural predefinida y una voz neural personalizada, consulte Visión general de la conversión de texto en voz.
Cuando utilice SSML, tenga en cuenta que los caracteres especiales, como las comillas, los apóstrofes y los paréntesis, deben escaparse. Para obtener más información, consulte Lenguaje de marcado extensible (XML) 1.0: Apéndice D.
Cada documento SSML se crea con elementos SSML (o etiquetas). Estos elementos se utilizan para ajustar el tono, la prosodia, el volumen, etc. Las siguientes secciones detallan cómo se utiliza cada elemento y cuándo un elemento es necesario u opcional.
Generador de texto a voz
Se describen sistemas, aparatos, métodos y productos de programa informático para producir síntesis de texto a voz con sonidos no vocales. En general, algunas de las pausas o silencios que de otro modo se generarían en el habla sintetizada se sintetizan en su lugar como sonidos no verbales, tales como respiraciones. Los sonidos no verbales pueden identificarse a partir de un discurso pregrabado que puede incluir metadatos como la estructura gramatical y frasal de las palabras y los sonidos que preceden y suceden a los sonidos no verbales. Un sonido no verbal puede seleccionarse para su uso en el habla sintetizada basándose en las palabras, la puntuación, la estructura gramatical y frasal del texto a partir del cual se está sintetizando el habla, u otras características.
Identificar una unidad no vocal en una cadena de entrada recibida, la unidad no vocal no tiene una referencia textual específica asociada en la cadena de entrada; hacer coincidir la unidad no vocal con un segmento de audio, el segmento de audio una muestra de voz de un sonido no vocal; y sintetizar la cadena de entrada, incluyendo la combinación de los segmentos de audio coincidentes con la unidad no vocal.
Google text to speech mp3
Se proporciona un método y un sistema para la síntesis de texto a voz con voz personalizada. El método incluye recibir una entrada de audio incidental (403) de habla en forma de una comunicación de audio de un altavoz de entrada (401) y generar un conjunto de datos de voz (404) para el altavoz de entrada (401). El método incluye recibir una entrada de texto (411) en el mismo dispositivo que la entrada de audio (403) y sintetizar (312) el texto de la entrada de texto (411) en habla sintetizada, incluyendo el uso del conjunto de datos de voz (404) para personalizar el habla sintetizada para que suene como el hablante de entrada (401). Además, el método incluye el análisis (316) del texto para la expresión y la adición de la expresión (315) al discurso sintetizado. La comunicación de audio puede ser parte de una comunicación de video (453) y la entrada de audio (403) puede tener una entrada visual asociada (455) de una imagen del orador de entrada. La síntesis a partir del texto puede incluir la provisión de una imagen sintetizada personalizada para parecerse a la imagen del orador de entrada con expresiones añadidas a partir de la entrada visual (455).