Überblick
Text-to-Speech generiert Audiodaten mit natürlicher, menschenähnlicher Sprache. Das heißt, die generierten Audiodaten klingen, als ob ein Mensch spricht. Wenn Sie eine Syntheseanfrage an Text-to-Speech senden, müssen Sie eine Stimme angeben.
Text-to-Speech bietet eine Vielzahl von benutzerdefinierten Stimmen. Die Stimmen variieren je nach Sprache, Geschlecht und Akzent (bei bestimmten Sprachen). Bei einigen Sprachen können Sie aus mehreren Stimmen wählen. Eine vollständige Liste der in Ihrer Sprache verfügbaren Stimmen finden Sie auf der Seite Unterstützte Stimmen. Sie können Text-to-Speech anweisen, eine bestimmte Stimme aus dieser Liste zu verwenden. Legen Sie dazu beim Senden einer Anfrage an die API die Felder VoiceSelectionParams fest. Weitere Informationen zum Senden einer synthesize-Anfrage finden Sie in den Kurzanleitungen zu Text-to-Speech.
Journey-stimmen
Journey-Stimmen (experimentell) werden durch Fortschritte im Bereich der LLMs unterstützt, was die Prosodische Reichheit erhöht. Journey-Stimmen können dagegen eine größere Bandbreite an Tonhöhe, Lautstärke, Stimmklang und Länge verwalten. Außerdem haben sie eine verbesserte Sprachmechanik, wodurch es im Vergleich zu unseren anderen Stimmoptionen besser zu Umgang mit Unflüssigkeit und Unterbrechungen kommt. Wir empfehlen, mit diesen Stimmen bei Anwendungsfällen der Konversationssprache zu experimentieren.
1. Beispiel: Die en-US-Journey-D Stimme
Einfache Stimmen (Vorschau)
Einfache Stimmen wurden entwickelt, um einen dialogorientierten, unperfekten Dialog mit menschlichen Nutzern natürlich und bequem zu gestalten. Sie unterstützen Störungen (oh, uh, um, mhm) und haben einen natürlicheren Rhythmus und Ton.
Studiostimmen
Die Text-to-Speech API bietet eine Premium-Sprachstufe namens Studio. Dieser Stimmtyp wurde speziell für die Verwendung mit langen Texten wie Erzählung und Nachrichten vorlesen.
1. Beispiel: Die Stimme en-US-Studio-O, die „Großer Gatsby“ liest.
Neural2-Stimmen
Die Text-to-Speech API bietet eine Sprachstufe namens Neural2. Neural2-Stimmen basieren auf derselben Technologie, die auch zum Erstellen einer Custom Voice verwendet wird. Mit Neural2 kann jeder die Custom Voice-Technologie verwenden, ohne eine eigene Custom Voice zu trainieren. Sie sind an globalen und Einzelregion-Endpunkten verfügbar.
1. Beispiel: Neural2-Stimme
WaveNet-Stimmen
Die Text-to-Speech API bietet auch eine Gruppe von Premiumstimmen, die mit einem WaveNet-Modell generiert werden. Diese Technologie wird auch für die Sprachausgabe für Google Assistant, die Google-Suche und Google Übersetzer verwendet. Die WaveNet-Technologie bietet nicht nur eine Reihe von synthetischen Stimmen, sondern stellt auch eine neue Art der synthetischen Sprachgenerierung dar.
Mit WaveNet generierte Sprache klingt natürlicher als bei anderen Sprachausgabesystemen. Die Silben, Phoneme und Wörter der synthetisierten Sprache haben eine menschenähnliche Betonung und einen natürlichen Tonfall.
Abbildung 1. Vergleich von WaveNet mit anderen synthetischen Stimmen und menschlicher Sprache Die y-Achsen-Werte stellen den mittleren Umfragewert (MOS) für jede Stimme dar.
Die Testpersonen stuften jede Stimme auf einer Skala von 1 bis 5 ein, je nachdem, wie sehr sie sich wie natürliche Sprache anhörte. Weitere Informationen zu MOS-Bewertungen und WaveNet-Technologie finden Sie auf der Seite DeepMind WaveNet.
Im Unterschied zu den meisten anderen Sprachausgabesystemen werden bei einem WaveNet-Modell rohe Audiowellenformen von Grund auf neu erstellt. Das Modell verwendet ein neuronales Netzwerk, das mit einer großen Menge von Sprachsamples trainiert wurde. Während des Trainings extrahiert das Netzwerk die zugrunde liegende Struktur der Sprache, wie etwa die Tonfolge und den Aufbau einer realitätsnahen Sprechwellenform. Bei einer Texteingabe kann das trainierte WaveNet-Modell die entsprechenden Sprechwellenformen Sample für Sample von Grund auf neu generieren. Möglich sind bis zu 24.000 Samples pro Sekunde mit nahtlosen Übergängen zwischen den einzelnen Tönen.
Vergleichen Sie die folgenden beiden Audioclips, um den Unterschied zwischen einem mit WaveNet generierten Audioclip und einem durch ein anderes Sprachausgabeverfahren generierten Clip zu hören.
1. Beispiel: Hohe Qualität, keine WaveNet-Stimme
2. Beispiel: WaveNet-Stimme
Standardstimmen
Die von Text-to-Speech angebotenen Stimmen werden zum Teil mit unterschiedlichen Sprachsynthesetechnologien für das Maschinenmodell der Stimme generiert. Bei der gängigen Sprachtechnologie der parametrischen Sprachausgabe werden zum Generieren von Audiodaten in der Regel Ausgaben mit Signalverarbeitungsalgorithmen – sogenannten Vocodern – übergeben. Viele der in Text-to-Speech verfügbaren Standardstimmen basieren auf einer Variante dieser Technologie.
Überzeugen Sie sich selbst
Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie einfach ein Konto, um die Leistung von Text-to-Speech in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
Text-to-Speech kostenlos testen