Обучите свою эксклюзивную модель AI-голоса с помощью Huawei Cloud MetaStudio

Обучение модели AI-голоса означает использование технологий машинного обучения, чтобы компьютер мог изучать и имитировать голосовые характеристики конкретного человека, тем самым преобразуя текст в речь с голосом этого человека. Эта технология имеет широкие перспективы применения в таких областях, как создание цифрового контента, виртуальные помощники и персонализированное голосовое взаимодействие.

Huawei Cloud MetaStudio — это конвейер производства цифрового контента, который опирается на собственный графический движок MetaEngine и мощные вычислительные ресурсы отечественных облачных AI-серверов Ascend, предоставляя услуги быстрого создания и настройки 3D IP-цифровых аватаров и 2D цифровых аватаров. MetaStudio стремится переосмыслить процесс производства цифрового контента с помощью AI-технологий, расширяя возможности видеопроизводства, прямых трансляций, интерактивных приложений и других областей.

Обученные модели AI-голоса могут применяться в различных сценариях, включая: * **Создание видео с цифровыми аватарами:** Придание цифровым аватарам реалистичного голоса, повышение привлекательности видеоконтента. * **Прямые трансляции:** Реализация интерактивного голосового общения цифровых аватаров в реальном времени, повышение увлекательности прямых трансляций. * **Интерактивные ответы:** Предоставление персонализированных голосовых ответов для умных помощников, чат-ботов и т. д. * **Синтез речи:** Преобразование текстовой информации в речь с определенным тембром голоса, применяемое в различных сценариях, требующих голосового вывода.

MetaStudio предлагает различные версии спецификаций записи для удовлетворения потребностей различных пользователей: * **Базовая версия:** Общая продолжительность аудио от 3 до 10 минут, рекомендуется 5 минут. * **Продвинутая версия:** Общая продолжительность аудио от 10 до 30 минут, рекомендуется 15 минут. * **Высокое качество:** Общая продолжительность аудио более 1 часа, рекомендуется 1 час.

Предварительная подготовка к записи имеет решающее значение и включает: * **Записывающее оборудование и программное обеспечение:** Предпочтительно использовать профессиональное записывающее оборудование, такое как Adobe Audition. Если условия не позволяют, можно использовать запись на мобильный телефон. * **Среда записи:** Поддерживайте тихую среду без эха, реверберации и шума. Рекомендуется уровень фонового шума ниже 0 дБ. * **Текст для записи:** Рекомендуется использовать предоставленные образцы текстов, но можно и настраивать тексты, при этом следует учитывать, что длина предложений должна быть сопоставима с образцами.

Во время записи необходимо обратить внимание на следующие моменты: * **Расстояние до микрофона:** Держите расстояние в кулак от микрофона, чтобы избежать «взрывных» звуков или записи дыхания. * **Содержание записи:** Не нужно читать начальные цифровые номера каждого предложения. * **Формат аудио:** Рекомендуется использовать форматы без потерь качества, такие как WAV, MP3. Исходные данные записи должны иметь частоту дискретизации 48 кГц, 16-битную кодировку и моно. * **Стиль записи:** Поддерживайте согласованность контекста и стиля, избегайте смешивания различных эмоций. * **Произношение и артикуляция:** Убедитесь, что произношение и артикуляция четкие, точные, а громкость умеренная. * **Скорость и ритм:** Поддерживайте естественную и ровную скорость речи, избегайте слишком быстрой или слишком медленной, или неравномерной скорости. * **Умеренная громкость:** Громкость не должна быть слишком низкой, слишком высокой или неравномерной, а также не должна вызывать клиппинг или перегрузку. Пиковое значение RMS должно быть около -9, без клиппинга. * **Паузы и разбивка предложений:** Делайте естественные паузы на знаках препинания или в подходящих местах для разбивки предложений, при этом нужно тихо делать вдох. В длинных аудиофайлах между предложениями должны быть паузы в 2-3 секунды. * **Позиция ударения:** Убедитесь, что ударения расставлены правильно, избегайте неправильных ударений. * **Чтение и произношение:** Читайте по порядку, убедитесь, что произношение соответствует тексту. Избегайте пропуска или добавления слов, неправильного произношения, неплавного чтения и т. д.

В соответствии с различными типами голосов, правила предоставления записей следующие: * **Базовая версия:** Необходимо записать весь материал в виде одного длинного аудиофайла в формате WAV или MP3, с паузами в 2-3 секунды между предложениями. Файлы в формате WAV или MP3 можно загружать непосредственно в консоль MetaStudio, без сжатия, без предоставления текстового файла с материалом. * **Продвинутая версия/Высокое качество:** Правила аналогичны базовой версии.

После подготовки аудиофайлов загрузите их в консоль MetaStudio для обучения голоса. Время создания голосовой модели составляет: * **Базовая версия:** Примерно 1-3 рабочих дня. * **Продвинутая версия:** Примерно 1-3 рабочих дня. * **Высокое качество:** Примерно 5 рабочих дней.

После создания пользовательского голоса он автоматически отобразится в списке голосов в консоли MetaStudio и может использоваться для создания видео с цифровыми аватарами, прямых трансляций или интеллектуального взаимодействия и т. д. Пользовательский голос также можно вызывать через API MetaStudio.

Huawei Cloud MetaStudio предоставляет подробную документацию и ответы на часто задаваемые вопросы, чтобы помочь пользователям лучше использовать функцию обучения модели AI-голоса.