HeyGen: HeyGen Voice

HeyGen Voice to model zamiany tekstu na mowę od HeyGen, wymieniony na api14 pod identyfikatorem modelu heygen/heygen-voice-1. Należy do kategorii mowy i został zbudowany specjalnie do zamiany tekstu pisanego na mowę. HeyGen jest dostawcą stojącym za nim, a model jest skierowany do programistów, którzy potrzebują syntetycznego wyjścia głosowego bez budowania własnego potoku mowy.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako wyjście. Jest dostarczany z dziesięcioma domyślnymi głosami: nadine, tabitha, bram, gareth, noelle, meredith, sabrina, lucian, weston i vincent. Jeśli masz własne konto HeyGen, możesz użyć własnego klucza HeyGen, aby korzystać z klonów głosu z tego konta zamiast wbudowanego zestawu. Dostawca zauważa, że model strumieniuje, co ma znaczenie, gdy chcesz, aby dźwięk zaczął odtwarzać się przed wygenerowaniem całego klipu. Dla tego modelu nie opublikowano długości kontekstu, więc traktuj go jako punkt końcowy zamiany tekstu na mowę, a nie model tekstu długiego.

Oczywiste przypadki użycia wynikają z tekstu na wejściu i mowy na wyjściu. Możesz narrować artykuły, generować lektora do filmów, czytać powiadomienia lub alerty na głos oraz budować interfejsy konwersacyjne, które wypowiadają swoje odpowiedzi. Dziesięć domyślnych głosów daje niewielki, ale użyteczny zakres mówców do przypisania różnym postaciom, produktom lub lokalizacjom. Ponieważ wyjście jest strumieniowane, nadaje się do scenariuszy interaktywnych, w których oczekiwanie na kompletny plik audio wydawałoby się powolne, takich jak asystenci odpowiadający w czasie rzeczywistym. Użycie własnego klucza HeyGen rozszerza to na markowe lub osobiste klony głosu, co jest przydatne, gdy produkt potrzebuje spójnego, rozpoznawalnego mówcy w wielu klipach.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu heygen/heygen-voice-1, więc istniejące zestawy SDK OpenAI i klienty HTTP działają po zmianie tylko bazowego adresu URL i klucza. Model nie udostępnia żadnych obsługiwanych parametrów żądania poza podstawami samego wywołania, więc nie ma tu pokręteł próbkowania ani formatowania do dostrojenia; wysyłasz tekst i otrzymujesz mowę. Wybór głosu jest główną decyzją, czerpaną z dziesięciu wymienionych głosów lub z własnego konta HeyGen, gdy podasz klucz HeyGen.

Pamiętaj o zakresie przy jego wyborze. To model mowy, a nie generator tekstu, więc nie odpowie na pytania, nie streszcza dokumentów ani nie tworzy tekstu strukturalnego. Nie ma również opublikowanej długości kontekstu, co oznacza, że bardzo długie skrypty należy podzielić na mniejsze fragmenty, a nie wysyłać jako jedno żądanie. Jeśli twoim zadaniem jest transkrypcja, tłumaczenie lub ogólna rozmowa, lepiej pasować będzie model rozumienia tekstu lub dźwięku. Jeśli twoim zadaniem jest po prostu zamiana tekstu na naturalnie brzmiący głos, HeyGen Voice jest bezpośrednią opcją.