Curs gratuit de AI · 71 de lecții
Lecția 41 – Text-to-Speech
Ai textul și imaginile pentru un video de 45 de secunde. Mai lipsește vocea. Deschizi un instrument de text-to-speech, alegi o voce, pui scenariul și asculți. Prima variantă sună corect, dar rece sau grăbită. Încerci altă voce, apoi încă una, și tot nu știi ce să-i ceri instrumentului ca vocea să se potrivească scenei pe care o ai în minte.
Ce înveți în lecția 41
- Cum face un model AI voce din text: întâi pronunția, apoi ritmul și intonația, la final sunetul
- Ce poți face din același text: voice-over, articol audio, material de instruire sau versiune în altă limbă
- Cum pregătești un text pentru o voce AI: datele, orele, sumele și abrevierile scrise cum se rostesc
- Cum faci aceeași frază să sune calm, energic sau cald, cu aceeași voce
- Unde dai indicații de ritm, energie și pauze în ElevenLabs și în OpenAI
- Cum compari variantele cu o probă de referință, pentru care n-ai dat nicio indicație, și alegi ascultând fără să știi care e care
- Cum păstrezi o rețetă cu care, data viitoare, regenerezi doar fraza schimbată, fără să reiei tot
Unelte folosite în lecție: ElevenLabs, OpenAI Speech API.
Interesant
Modelul de voce creează impresia unei emoții fără să simtă ce spune. Prezice ritmul și intonația după texte și indicații asemănătoare din datele cu care a fost antrenat. De aceea, punctuația funcționează ca o indicație de regie: o virgulă mutată poate schimba ritmul frazei.
În practică
Alege un text pe care îl ai deja, o procedură sau un articol scurt, și fă-i o versiune audio. Cere unui chatbot să rescrie datele, sumele și abrevierile cum se rostesc. Salvează vocea și setările, ca să pornești de la ele data viitoare.
Modelul de voce scrie întâi o partitură invizibilă a vorbirii, cu sunete, durate și pauze, iar vocea aleasă o cântă ca un instrument. Ca orice partitură, poate fi interpretată în mai multe feluri. De aceea, aceeași frază poate suna corect cu intonații diferite.
Pentru cine e: Cine face clipuri, cursuri sau podcasturi și vrea un voice-over în română fără să înregistreze, dar nu știe ce să-i ceară instrumentului ca să sune natural.
Vreau lecțiile complete în PDF prin email
Pe scurt
Cum transformă un model text-to-speech textul în voce?
Modelul a învățat din multe perechi text-vorbire legăturile dintre litere, sunete, durate, intonație și timbru. Când primește un text, stabilește întâi pronunția, apoi interpretarea: cât ține fiecare sunet, unde urcă vocea, unde apar pauzele. La final, un decodor audio produce unda sonoră. Vocea e generată pe loc, din tiparele învățate.
Ce pot face cu o voce AI în afară de voice-over pentru video?
Poți face o versiune audio a unui articol, pe care oamenii o pot asculta și pe drum, fără ecran. Un ghid intern poate avea și o variantă audio, pentru colegi. Poți traduce scenariul și genera vocea în altă limbă, păstrând filmarea. Iar Gemini Notebook, fostul NotebookLM, poate transforma documentele tale într-un Audio Overview, o conversație în stil de podcast, inclusiv în română.
Pot face voice-over în limba română cu text-to-speech?
Da. Mai multe servicii, printre care ElevenLabs, Google și Azure, au voci pentru română. Rezultatul depinde de model și de voce, așa că o probă de un minut cu scenariul tău îți arată repede ce se potrivește. Când schimbi apoi ceva în scenariu, regenerezi doar fragmentul acela, fără să refaci tot clipul.
Primești lecțiile pe email, câte una pe săptămână
Lecția 1 vine imediat. Gratuit, mereu. O citești și decizi tu dacă merită să continui.
Inginer. Lucrez de peste 20 de ani în tehnologii emergente și AI. Construiesc sisteme cu modele de limbaj pentru firme și explic AI-ul pe românește: la conferințe, la TV, în workshopuri și în cursul ăsta.