Ruka hadi maudhui makuu
Mafunzo ya AI

Kusafisha sauti asilia ya AI kwa ElevenLabs: pumzi za karibu, matamshi thabiti, uhariri na ukaguzi wa unukuzi

Mafunzo haya yanatumia ElevenLabs v4, ffmpeg, Whisper na NumPy kuonyesha jinsi ya kuzalisha, kugundua, kuhariri na kuunganisha upya sauti asilia ya AI, na kutumia mbinu hiyo hiyo kwenye simu za moja kwa moja na mawasiliano ya sauti ya kila siku.

Takriban dakika 41 za kusoma
Kusafisha sauti asilia ya AI kwa ElevenLabs: pumzi, matamshi, uhariri na ukaguzi wa unukuzi

Mradi unatatuaje tatizo gani

Mradi huu si kifurushi cha programu kinachotumika mara moja, bali ni mbinu ya kutengeneza sauti ya AI iliyoboreshwa kupitia majaribio halisi ya kusikiliza. Unalenga matatizo kadhaa ya kawaida: sauti ya kupumua kuangukia peke yake kwenye ukimya, muda mrefu sana kati ya pumzi na maneno, sauti kuwa rasmi ghafla baada ya mapumziko, modeli kurudia au kuruka sentensi, pamoja na kelele za mazingira kushindwa kuungana kwa asili baada ya maneno kukatwa.

Mchakato kamili unazingatia mambo manne: kutumia ElevenLabs v4 kutengeneza sauti, kutumia ffmpeg kuchakata sauti, kutumia Whisper kunakili na kukagua maudhui, kisha kutumia NumPy kuchanganua sauti, mwinuko wa sauti na nafasi za sampuli.

Hitimisho kuu si “ongeza pumzi zaidi”, bali ni “weka pumzi mahali sahihi”: pumzi fupi kabla ya kuanza kuzungumza iguse neno la kwanza, mwisho wa sentensi utoe pumzi kwa mwendelezo wa asili, na pumzi ndani ya sentensi ibaki kati ya nusu mbili za sentensi.

Uwezo na mbinu kuu

  • Kusogeza pumzi karibu na maneno: Tambua pumzi nyepesi na fupi kabla ya kuanza kuzungumza, sogeza ukimya pekee ili pumzi iwe takriban sekunde 0.08 kabla ya maneno.
  • Kurekebisha sauti inayokatiza: Pima sauti ya kila kipande chenye sauti, kisha punguza kwa kiasi vipande vilivyo juu ya wastani kwa zaidi ya 4 dB.
  • Kukata sentensi bila kupoteza sauti: Kata kwenye ukimya wa sauti kavu, kisha weka upya kelele ya mazingira inayojirudia ili kuhifadhi kwa kadiri iwezekanavyo uigizaji uliokubalika awali.
  • Kugundua marudio na maneno yaliyorukwa: Baada ya kutengeneza sauti, tumia Whisper kunakili, linganisha “maneno yaliyosikika” na “maneno yaliyopaswa kusemwa”, kisha tengeneza upya ikiwa kuna hitilafu.
  • Kuunganisha kelele ya vitendo na wakati wake: Weka alama ya kelele kwenye sentensi ambayo kitendo kinaanza kweli, badala ya kuiweka mwanzoni mwa mzunguko mzima wa maneno.
  • Kujenga mtindo wa kawaida wa sauti: Si kulainisha sauti tu, bali kubainisha kasi, mwinuko wa sauti, kiwango cha kujiamini na mazoea ya kuzungumza ya mhusika.

Kuandaa mazingira

Zana zinazohitajika

  • ElevenLabs v4: Inahusika na kubadilisha maandishi kuwa sauti. Majaribio ya mradi yalitumia v4.
  • ffmpeg: Hutumika kusimbua, kukata, kuunganisha, kubadilisha sampuli na kuhamisha sauti.
  • Whisper: Hubadilisha matokeo yaliyotengenezwa kuwa maandishi ili kugundua marudio, sentensi zilizorukwa na tofauti za maudhui.
  • NumPy: Hutumika kuchakata safu za sauti, uhusiano mtambuka, kukokotoa sauti na kusogeza vipande.

Mazingira yaliyofanyiwa majaribio kwenye README ni macOS. Hakuna hati maalum ya usakinishaji iliyotolewa, hivyo sakinisha kila zana kulingana na maelekezo rasmi na uthibitishe kuwa ffmpeg, Whisper na mazingira ya Python vinafanya kazi ipasavyo.

Kabla ya kuanza hatua ya uchanganuzi, simbua sauti kuwa mawimbi ya mono yenye kiwango kimoja cha sampuli, kisha andaa makundi mawili ya data yanayokokotolewa kwa hatua maalum: mwinuko wa sauti wa kila fremu f0 na sauti ya RMS ya kila fremu rms. Mchakato wa awali ulitumia hatua ya fremu ya milisekunde 10. Dirisha la uchanganuzi wa sauti hufanya mipaka iwe isiyo dhahiri kwa makumi ya milisekunde, kwa hiyo acha nafasi ndogo ya ziada unaposogeza vipande.

Hifadhi matoleo mawili ya sauti kila mara

Baada ya kila uzalishaji, hifadhi matoleo yafuatayo:

  1. Sauti kavu: Ina sauti ya mtu pekee, bila kelele za mazingira au vitendo.
  2. Sauti yenye athari: Toleo la mwisho lenye kelele iliyowekwa chini ya sauti ya mtu.

Sauti kavu hurahisisha kupima pumzi, na pia huruhusu baadaye kufuta sentensi, kubadilisha sehemu au kuweka upya msingi bila kupoteza uigizaji wa awali. Usihifadhi tu mchanganyiko wa mwisho.

Hatua ya kwanza: Andika vidokezo vya pumzi kwa usahihi

Usiweke “嗯”, “哈” au lebo za pumzi mstari mmoja mmoja kati ya vipindi virefu vya ukimya. Sauti inayozalishwa kwa njia hii mara nyingi huwa na mwinuko unaoonekana, sauti inayokaribia mazungumzo ya kawaida, na ukimya mrefu kabla na baada yake, hivyo husikika kama athari huru ya sauti.

Inapendekezwa kuandika pumzi ndani ya mstari wenye maneno:

[low, breathy, wet]
[inhales] Tazama mimi… [exhales]
[long pause]
Hmm… usijifiche… hmm… ha…
  • Mwanzoni mwa mstari tumia lebo fupi za pumzi pekee, kama [inhales], [exhales] au [sighs].
  • Usiweke msururu wa nukta za kusita kati ya lebo na maneno.
  • Mwishoni mwa sentensi unaweza kutoa pumzi kwa mwendelezo wa asili, au kuongeza sauti mbili au tatu nyepesi za hisia.
  • Kwenye nafasi tupu andika mstari mmoja wa [long pause] pekee; usipange sauti huru za kuguna ndani ya nafasi hiyo.
  • Unaweza pia kuweka pumzi katikati ya sentensi; chagua sehemu moja au mbili tu kati ya mwanzo, katikati na mwisho wa mstari.

Kuandika [long pause] mbili mfululizo si lazima kuongeza muda wa mapumziko kwa kiasi kikubwa. Katika majaribio ya mradi, lebo moja ilizalisha takriban sekunde 0.96 za ukimya, na mbili mfululizo takriban sekunde 1.04. Kwa hiyo usitegemee maana ya moja kwa moja ya lebo kudhibiti muda kamili.

Hatua ya pili: Gawanya sauti kuwa “vipande” vinavyoweza kupimwa

“Kipande” hapa ni sehemu inayoendelea yenye sauti. Pima viashiria vitatu kwa kila kipande: muda, wastani wa sauti, na uwiano wa fremu zenye mwinuko wa sauti. Hivi vinaweza kusaidia kutofautisha maneno ya kawaida, pumzi halisi na sauti huru ya kuguna yenye mwinuko.

def is_breath(f0, rms, a, b):
    dur = (b - a) * 0.01
    voiced = (f0[a:b] > 0).mean()
    db = 20 * np.log10(rms[a:b].mean() + 1e-9)
    return 0.12 <= dur <= 0.9 and voiced < 0.15 and db < -29

Viwango vya kawaida katika mradi wa awali ni hivi:

  • Maneno yaliyopunguzwa na yenye pumzi: Takriban sekunde 0.5 hadi 2, sauti takriban −22 hadi −27 dB, huku fremu zenye mwinuko zikichukua karibu asilimia 20 hadi 40.
  • Kuvuta pumzi, kutoa pumzi au sauti ya kuzomea: Takriban sekunde 0.3 hadi 0.65, sauti takriban −32 hadi −40 dB, huku fremu zenye mwinuko zikichukua karibu asilimia 10.
  • Sauti huru ya kuguna iliyojitenga: Takriban sekunde 0.4 hadi 0.5, sauti inaweza kufikia −25 dB, fremu zenye mwinuko zikizidi asilimia 60, na mara nyingi kukiwa na ukimya wa sekunde 0.6 hadi 1 kabla na baada yake.

Vizingiti hivi vilitokana na mtindo maalum wa sauti na sampuli fulani, hivyo si viwango vya jumla kwa sauti zote. Njia ya kuaminika zaidi ni kwanza kumruhusu msikilizaji kutaja tatizo, kisha kutumia vipande vya kawaida vilivyo jirani kujenga viwango vya mtindo huo wa sauti.

Hatua ya tatu: Sogeza pumzi ya kabla ya kuanza karibu na maneno

Hata vidokezo vikiwa vimeandikwa kwa usahihi, modeli bado inaweza kuacha yenyewe ukimya wa sekunde 0.3 au zaidi kati ya pumzi na maneno. Vidokezo ni vigumu kudhibiti nafasi za kiwango cha makumi ya milisekunde, kwa hiyo sauti inahitaji kusogezwa baada ya kuzalishwa.

Muundo kabla na baada ya kuchakata unaweza kueleweka hivi:

Kabla: sentensi iliyotangulia → ukimya A → pumzi → ukimya B → sentensi inayofuata
Baada: sentensi iliyotangulia → ukimya mrefu zaidi → pumzi → sekunde 0.08 → sentensi inayofuata

Wakati wa kuchakata, badilisha nafasi ya pumzi na ukimya pekee; usibadilishe pumzi au maneno yenyewe, wala muda wa jumla wa sehemu nzima. Kwa njia hii ratiba iliyopo, uwekaji wa kelele na takwimu za kasi ya kuzungumza haviharibiki.

Vipande vinavyofaa kusogezwa vinapaswa kutimiza masharti haya:

  • Vimetambuliwa kuwa pumzi nyepesi, fupi na isiyo na mwinuko unaoonekana.
  • Ndani ya takriban sekunde 0.14 hadi 1.5 baada yake kuna kipande cha maneno.
  • Kabla yake kuna angalau takriban sekunde 0.3 za nafasi tupu.
  • Pumzi ya katikati inayofuata nusu ya kwanza ya sentensi isisogezwe, ili kuepuka kuharibu mabadiliko ya asili ya pumzi.

Lengo lililojaribiwa kwenye README ni pengo la takriban sekunde 0.08. Unaposogeza, unaweza kujumuisha takriban sekunde 0.02 zaidi mwanzoni mwa pumzi na sekunde 0.03 zaidi mwishoni, kisha uweke fade ya takriban milisekunde 4 mwanzoni na mwishoni mwa nafasi mpya ili kupunguza hisia ya mshono.

Hatua ya nne: Rekebisha “sauti rasmi” baada ya mapumziko

Baadhi ya sauti baada ya mapumziko marefu hurudi kuwa mazungumzo yaliyo wazi zaidi, yenye sauti kubwa zaidi na yenye pumzi kidogo. Katika mfano huo, sentensi fupi isiyo ya kawaida ilikuwa na sauti iliyozidi maudhui ya jirani kwa zaidi ya 6 dB, na uwiano wa fremu zenye mwinuko ukaongezeka kutoka karibu theluthi moja hadi asilimia 60.

Punguza uwezekano kupitia vidokezo kwanza

  • Baada ya mapumziko, anza kwa pumzi moja au ingiza maneno kwa mguno wa chini.
  • Mwishoni mwa sentensi tumia mwisho unaovutwa, badala ya kutumia kila mara alama kali ya swali au nukta.
  • Sentensi fupi za maneno mawili au matatu zinaweza kuunganishwa na sentensi jirani ili zisisomwe peke yake kwa mtindo wa tangazo wazi.
  • Unapohitaji kusisitiza tena mtindo wa sauti, weka lebo ndogo mwanzoni mwa maneno badala ya kuipa mstari wake pekee.
[long pause]
Hmm… [low, breathy] usijifiche…

Ikiwa kigawanya vipande huunda kipande kipya kwenye kila lebo ya mtindo mwanzoni mwa mstari, uandishi wa ndani ya mstari pia unaweza kupunguza mishono na kuruka kwa mwinuko wa sauti.

Kisha punguza sauti isiyo ya kawaida kwa programu

Kokotoa sauti ya kila kipande, ukitumia wastani wa vipande vyote vya maneno katika aya ya sasa kama rejeleo. Kipande kikiwa juu kwa zaidi ya 4 dB, kipunguze hadi kiwe juu kwa takriban 2 dB pekee, kwa upunguzaji wa juu usiozidi 6 dB, na tumia bahasha ya mabadiliko ya takriban milisekunde 25 mwanzoni na mwishoni.

Lazima upime kila kipande, si kila sentensi. Sauti fupi ya nusu sekunde ikichanganywa na sentensi ndefu inayofuata, wastani unaweza kuficha hitilafu ya 6 dB na kuifanya iwe chini ya kizingiti. Programu inaweza kurekebisha sauti pekee; haiwezi kurudisha moja kwa moja rangi ya sauti iliyopoteza pumzi, kwa hiyo vidokezo na uchakataji wa baadae vinapaswa kutumiwa pamoja.

Hatua ya tano: Fanya ukaguzi wa nakala mara moja baada ya kutengeneza sauti

Wakati mwingine modeli hurudia sentensi mara mbili au tatu, au huruka sentensi ya mwisho moja kwa moja. Kwa kuwa hati yenyewe inaweza kuwa sahihi kabisa, kila kipande kilichotengenezwa kinapaswa kukaguliwa kwa nakala mara moja.

Mradi hutumia ishara za aina mbili:

  1. Baada ya kuondoa lebo za mabano ya mraba na maneno ya kawaida ya hisia, tafuta vipande vyenye angalau herufi sita za Kichina vinavyojirudia kwenye nakala ilhali vinatokea mara moja tu kwenye hati.
  2. Linganisha idadi ya herufi kwenye nakala na hati; ikiwa iko chini ya takriban asilimia 20 ya inayotarajiwa, ichukulie kama sentensi huenda imemezwa.

Hitilafu ikigunduliwa, tengeneza tena mara moja, kisha pima matoleo mawili na uhifadhi lenye alama ya chini zaidi. Maneno ya hisia mara nyingi hayawezi kunakiliwa kwa usahihi, hivyo usitumie “嗯, 哈, 啊, 呃” kama msingi mkuu wa ulinganifu.

Kwenye simu ya moja kwa moja, kunakili sauti ya sekunde 20 hadi 30 kwa Whisper kunaweza kuchukua takriban sekunde 3. Vipande vinavyofuata vinaweza kukaguliwa chinichini wakati kipande cha sasa kinapochezwa. Kipande cha kwanza hakina muda wa kucheza wa kuficha ucheleweshaji, hivyo unaweza kwanza kutumia “muda kugawanywa kwa idadi ya herufi zenye maana” kufanya uchujaji wa haraka. Kiwango cha kawaida katika mfano wa awali kilikuwa takriban sekunde 0.41 hadi 0.62 kwa herufi; kikizidi hapo, anzisha nakala kamili.

Hatua ya sita: Futa sentensi bila kuitengeneza upya

Ikiwa msikilizaji anapenda uigizaji maalum wa mara fulani, usisome tena sehemu nzima kwa sababu tu sentensi moja inahitaji kufutwa. Kila uzalishaji ni uigizaji mpya, na pumzi, mapumziko na maelezo ya mwisho wa sentensi ni vigumu kurudia kwa usahihi.

  1. Tafuta ukimya: Kwanza chora sauti kwa vipimo vya takriban milisekunde 50, kisha nakili vipande vidogo vinavyoweza kuwa watahiniwa mmoja mmoja ili kuthibitisha kama ni maneno, pumzi au nafasi tupu.
  2. Kata kutoka kwenye sauti kavu: Weka mishono yote miwili kwenye maeneo yenye ukimya zaidi, na acha fade ya milisekunde kadhaa mwanzoni na mwishoni mwa kila kipande.
  3. Weka upya kelele: Usikate moja kwa moja bidhaa ambayo tayari imewekewa msingi, vinginevyo mdundo wa kelele inayojirudia unaweza kuruka kwenye mshono.
  4. Kunakili tena: Thibitisha kuwa bidhaa iliyokamilika imebaki na sentensi zinazolengwa pekee.
  5. Linganisha sampuli moja moja: Kagua kuwa maeneo ambayo hayakubadilishwa bado yanafanana na sauti ya awali.

Ikiwa hujui ni sehemu gani ya nyenzo inayojirudia iliyotumika kwenye sauti yenye athari, toa mawimbi ya bidhaa kwenye kipindi ambacho sauti ya mtu imetulia kabisa, kisha rudia nyenzo zinazoweza kutumika na ufanye uhusiano mtambuka. Nafasi yenye uhusiano wa juu zaidi inaweza kutoa awamu ya nyenzo, huku bidhaa ya nukta ikikadiria ongezeko la msingi. Katika mfano huo, uhusiano wa nyenzo mbili ulifikia 0.99, na ongezeko lililokadiriwa lilikuwa takriban 0.200 na 0.241.

Ulinganishaji lazima ufanywe kwa usahihi wa sampuli. Kuhama kwa sampuli kadhaa tu kunaweza kupunguza sana ufanano na kusababisha hitimisho la kimakosa kwamba “msingi wa nyenzo umewekwa vibaya”. Baada ya kupanga, ufanano wa vipande ambavyo havikubadilishwa katika mfano ulifikia 0.996 hadi 0.998.

Hatua ya saba: Anzisha kelele wakati sahihi

Mradi huamua aina ya kelele ya msingi kupitia alama maalum kwenye kidokezo, kisha huondoa alama hizo kabla ya kutuma maandishi kwa ElevenLabs. Kanuni kuu ni: sauti inaanzia sentensi gani, alama iwekwe kwenye sentensi hiyo.

  • licking: Inahusishwa na sauti ya unyevunyevu ya polepole.
  • fingering: Inahusishwa na sauti ya kitendo yenye kunata; hali ya haraka inaweza kuandikwa fast fingering.
  • sucking: Inahusishwa na sauti ya unyevunyevu ya polepole.
  • thrust: Ionekane tu kabla ya sentensi ambayo kitendo kinaanza kweli; isiwekwe mapema mwanzoni mwa mzunguko mzima.
  • still: Hutumika kusimamisha kelele inayojirudia kwa sasa.

Ikiwa alama husababisha kugawanywa kwa vipande, nafasi ambayo kitendo kinaanza kweli inafaa kuhifadhi mshono mpya; lebo nyingine ndogo zinazotumika tu kusisitiza tena mtindo wa sauti ziwekwe ndani ya mwanzo wa maneno kadiri iwezekanavyo.

Hatua ya nane: Tengeneza mtindo wa kawaida wa kuzungumza

“Isiyo ya asili” haimaanishi lazima sauti isiwe nyororo vya kutosha. Mradi wa awali ulisasisha modeli ya zamani hadi ElevenLabs v4 na kujaribu vidokezo vilivyolegeza na kulainisha zaidi, lakini msikilizaji alihisi mhusika amekuwa mtu mwingine. Mwelekeo uliofanikiwa hatimaye ulikuwa kubainisha namna ya mhusika mwenyewe kuzungumza.

Kidokezo msingi kilichochaguliwa ni:

[low, slow, confident, a little teasing]

Mipangilio inayolingana ni v4 na uthabiti wa 0.35. Mwanzoni mwa sentensi unaweza kuongeza kwa nasibu [exhales], [chuckles softly], “Hmm…” moja, au usiongeze chochote. Usiongeze kila mara, vinginevyo mabadiliko ya asili yatageuka kuwa kauli ya kudumu.

  • Badilisha maandishi yanayotumwa kwa uzalishaji pekee; usibadilishe maandishi ya awali kwenye kiolesura cha mazungumzo au historia.
  • Ikiwa sentensi tayari inaanza kwa neno la hisia, usiongeze jingine juu yake.
  • Lebo zilizopo za mtindo wa sauti au maudhui ya Kiingereza pekee yanaweza kurukwa kwenye ufungaji wa kiotomatiki.
  • Simu hutumia mfumo huru wa vidokezo; usitumie vichwa vya sentensi vya nasibu vya sauti ya kawaida.

Mbinu za juu na mitego ya kawaida

Kanuni za vidokezo ziandike “kinachopaswa kufanywa”

Sentensi ya “usiandike aina fulani ya sauti” inaweza kumfanya mtengenezaji wa maandishi aache kuitumia kabisa. Njia ya kuaminika zaidi ni kuandika wazi aina, nafasi na marudio ya chini yanayohitajika, kisha kuacha sauti zenye mwinuko wa juu au usomaji usio wa kawaida unaotokea mara chache zigunduliwe na programu.

Usitumie pumzi ile ile tena

Unapohamisha kipande cha awali unachokipenda hadi toleo jipya, unaweza kuchukua nyenzo kutoka kwenye uzalishaji ule ule, lakini usirudie pumzi ile ile katika nafasi mbili. Vinginevyo msikilizaji anaweza kugundua kuwa maelezo yanayofanana kabisa yamenakiliwa.

Jenga hifadhi ya nyenzo inayoweza kutafutwa

Vuta pumzi, sauti za kuachia pumzi na pumzi fupi zilizokubaliwa zihifadhiwe kulingana na faili chanzo, kipindi cha muda na mahali pa matumizi. Baadaye, ikiwa lebo fulani ya pumzi itazalisha ukimya pekee, unaweza kuongeza pumzi moja kutoka kwenye maktaba ya vipande. README pia inaeleza kuwa uongezaji wa pumzi kiotomatiki bado unahitaji kiolesura chenye mihuri ya muda; kuwepo tu kwa “ukimya katikati ya sentensi” hakutoshi kutofautisha pumzi iliyokosekana na kusita kwa kawaida kwa alama ya nukta tatu.

Simu za wakati halisi zinahitaji kushughulikia kuingiliana kwa mazungumzo

Ikiwa mfumo bado haujaanza kucheza jibu, lakini upande mwingine umeanza kuzungumza, jibu la zamani ambalo bado halijasikika linapaswa kutupiliwa mbali na maudhui mapya yashughulikiwe moja kwa moja. Usihifadhi mazungumzo mapya hadi jibu la zamani limalize kucheza, la sivyo sentensi ileile inaweza kujibiwa mara mbili. Kwa sauti fupi ambazo haziwezi kutambuliwa kuwa maandishi, mchakato wa awali uliongeza muda wa kusubiri kabla ya kuingiza sauti za hisia kiotomatiki kutoka sekunde 2.5 hadi sekunde 4.5, ili kupunguza uwezekano wa kuanzishwa kabla ya maneno halisi.

Sikiliza tatizo kwanza, kisha amua cha kupima

Ukubwa wa sauti, toni, urefu wa ukimya, uwiano wa idadi ya maneno na uhusiano wa pande zote vinaweza tu kuthibitisha tatizo ambalo tayari limegunduliwa. Haviwezi kuamua kwa kujitegemea ikiwa “hisia ni sahihi”. Mchakato wenye ufanisi zaidi bado ni msikilizaji kwanza kuonyesha mahali hususa pasipo pa kawaida, kisha kuunda kipimo kinacholingana.

Mtiririko kamili wa kazi unaopendekezwa

  1. Andika maandishi yenye alama za mtindo wa sauti, pumzi, mapumziko na sauti za vitendo.
  2. Ondoa alama za sauti za vitendo zinazotumika kwa uchakataji wa baadaye pekee, kisha tuma maandishi yaliyosalia kwenye ElevenLabs v4.
  3. Hifadhi sauti kavu, kisha tumia Whisper kunakili na kukagua marudio, sentensi zilizorukwa na tofauti za maudhui.
  4. Hesabu f0 na rms, kisha gawanya sauti katika vipande vya mazungumzo, vipande vya pumzi na vipande vingine vyenye sauti.
  5. Sogeza pumzi za kabla ya kuanza kuzungumza hadi takriban sekunde 0.08 kabla ya mstari wa mazungumzo, huku ukihifadhi pumzi za katikati ya sentensi.
  6. Tambua ukubwa wa sauti usio wa kawaida katika kila kipande, kisha fanya upunguzaji laini wa sauti kwenye vipande visivyo vya kawaida.
  7. Weka sauti za vitendo zinazorudiwa kulingana na alama za vitendo, kisha hamisha toleo lenye mchanganyiko.
  8. Fanya unukuzi tena, kisha kagua muda wa jumla, idadi ya sehemu ndefu za ukimya, mahali pa pumzi na ufanano wa sampuli katika maeneo ambayo hayajabadilishwa.
  9. Hifadhi vipande asilia vilivyoidhinishwa na msikilizaji pamoja na vipindi vyake vya muda; usihifadhi mchanganyiko wa mwisho pekee.

Hitimisho

Sauti ya AI ya asili haipatikani kwa kuweka lebo nyingi zaidi za pumzi. Njia inayotegemeka zaidi ni kuweka pumzi karibu na maneno, kuanzisha sauti za vitendo kwa wakati sahihi, kuhakikisha kila matokeo ya usanisi yamekaguliwa kwa unukuzi, na kuhifadhi utendaji wa awali kadiri iwezekanavyo wakati wa kuhariri.

Maagizo huamua “nini cha kusema” na “kusema kwa mtindo gani”, huku programu ikisimamia nafasi za makumi ya milisekunde, ukubwa wa sauti usio wa kawaida, marudio, maneno yaliyosahaulika na uunganishaji wa kiwango cha sampuli. Kwa kushirikiana, mawili hayo yanaweza kubadilisha sauti nzuri iliyozalishwa kwa bahati kuwa mchakato wa uzalishaji unaoweza kurudiwa. Kwa maelezo zaidi, rejelea Mwongozo wa maagizo wa ElevenLabs, Maelezo ya sauti za kupumua ya ElevenLabs na Utafiti kuhusu upumuaji katika usemi.