Στις 23 Σεπτεμβρίου, η Google παρουσίασε δύο μοντέλα σύνθεσης φωνής που υπόσχονται να σχεδιάζουν και να καθοδηγούν μια φωνή γραμμή προς γραμμή. Για έναν οίκο, η φωνή γίνεται συντακτικό περιουσιακό στοιχείο, του οποίου πρέπει να καθοριστούν η αναφορά, οι επιτρεπόμενες χρήσεις και το ιστορικό.
Τι ανακοινώνει η Google
Το Gemini 3.8 Flash TTS στοχεύει στη δημιουργική σκηνοθεσία: τον σχεδιασμό μιας φωνής από μια περιγραφή (ρόλος, προφορά, χαρακτήρας) σε περισσότερες από εκατό γλώσσες και διαλέκτους και, στη συνέχεια, την καθοδήγηση κάθε ατάκας με ενδείξεις ερμηνείας, ρυθμού και ύφους. Το Gemini 3.8 Flash-Lite TTS στοχεύει στον όγκο, ιδίως στον μεταγλωττισμό και στους φωνητικούς πράκτορες. Η Google αναφέρει περισσότερες από 2.000 έτοιμες φωνές, τη δυνατότητα αποθήκευσης των φωνών που δημιουργούνται ώστε να περιορίζεται η απόκλιση από το ένα έργο στο άλλο, και συνεχή διάρκεια πολλών ωρών με σταθερή χροιά. Η επεξεργασία μιας φωνής της βιβλιοθήκης (χροιά, ύψος, προφορά) ανακοινώνεται ως μελλοντική.
Η εταιρεία διεκδικεί επίσης την πρώτη θέση στην κατάταξη σχεδιασμού φωνής της Hume AI, με 71,4 βαθμούς. Η ανακοίνωση δεν παρουσιάζει τη μέθοδο στο κείμενό της, επομένως ο αριθμός παραμένει βαθμολογία του παρόχου.
Μια φωνή που καθοδηγείται χρειάζεται αναφορά
Η καθοδήγηση μιας φωνής μεταφέρει μέρος της δουλειάς στη συντακτική διεύθυνση. Πρέπει να μπορεί κανείς να πει τι κάνει μια φωνή σωστή: τον τρόπο που προφέρεται το όνομα ενός οίκου, μια συγκράτηση, μια σιωπή πριν από μια φράση. Τα επίθετα δύσκολα αρκούν για να μεταδοθεί αυτό. Αξίζουν περισσότερο εγκεκριμένα αποσπάσματα, ακουσμένα και σχολιασμένα, με το ίδιο κείμενο ως σημείο αναφοράς ανάμεσα στις εκδόσεις και στις γλώσσες, και ανθρώπινη ακρόαση σε κάθε γλώσσα για τα κύρια ονόματα, την καταληπτότητα και την πρόθεση. Μια φράση σωστή γραπτώς μπορεί να ακουστεί λάθος όταν λέγεται.
Επιτρεπόμενες χρήσεις: ο χάρτης είναι άνισος
Για την αναπαραγωγή, η Google ζητά την καταγραφή προφορικής συναίνεσης του προσώπου του οποίου η φωνή αναπαράγεται, η οποία πρέπει να αντιστοιχεί στο δείγμα αναφοράς. Αρκούν τριάντα δευτερόλεπτα ήχου, από τη φωνή του χρήστη ή από φωνή της οποίας κατέχει τα δικαιώματα. Κάθε απόσπασμα φέρει το υδατογράφημα SynthID και πιστοποιήσεις C2PA συνοδεύουν τις αναπαραγόμενες φωνές, σύμφωνα με την Google.
Τα σήματα αυτά αποδεικνύουν την προέλευση ενός αρχείου, όχι την έκταση της συμφωνίας. Μια φωνή που δημιουργήθηκε, μια φωνή που αναπαράχθηκε και μια φωνή της βιβλιοθήκης απαιτούν διαφορετικές άδειες, και η καθεμία θα έπρεπε να καταγράφεται με τις συμφωνημένες χρήσεις της.
Μένει η γεωγραφία. Η Google διευκρινίζει ότι η αναπαραγωγή από το εργαλείο προγραμματιστών της δεν προσφέρεται στον Ευρωπαϊκό Οικονομικό Χώρο, που περιλαμβάνει τη Γαλλία, ούτε στο Ηνωμένο Βασίλειο, στην Ελβετία ή στην Ινδία. Το όριο αυτό αλλάζει τον συλλογισμό ενός γαλλικού οίκου ακόμη και πριν από την ποιότητα. Από την πλευρά της, η πρόσβαση για επιχειρήσεις μέσω του Gemini Enterprise ανακοινώνεται για αργότερα.
Να ξαναβρίσκουμε κάθε έκδοση
Η Google υπόσχεται φωνές «αποθηκευμένες και διαχειριζόμενες». Τίποτα στην ανακοίνωση δεν περιγράφει ιστορικό: διατηρείται η προηγούμενη έκδοση μιας φωνής μετά την τροποποίηση, μπορεί να αποκατασταθεί, γνωρίζουμε ποιο αρχείο δημιουργήθηκε με ποια; Η ευκολία δημιουργίας πολλαπλασιάζει αυτές τις αποφάσεις. Κάθε προσαρμογή δημιουργεί μια παραλλαγή που θα πρέπει να μπορεί να τοποθετηθεί αργότερα.
Ένας οίκος θα μπορούσε να τηρεί ένα απλό μητρώο: για κάθε φωνή, τον τύπο της, τον υπεύθυνό της, τις συμφωνημένες χρήσεις, την ημερομηνία κάθε έκδοσης και τους όρους απόσυρσης μιας παλιάς. Αυτό το μητρώο, που τηρείται από το πρόσωπο που αποφασίζει, θα κάνει τη φωνή φωνή του οίκου.
Cette publication est également disponible en :
