Este novo modelo de IA de conversão de texto em fala entende o que está dizendo - como experimentá-lo gratuitamente

Testei o novo modelo Octave da Hume e fiquei impressionado com os resultados. Agora você também pode experimentar.

Os modelos de IA de conversão de texto em fala são uma ótima ferramenta para casos em que dubladores humanos são normalmente usados, como audiolivros, dublagem, comerciais e muito mais. No entanto, como esses modelos não são humanos e não sabem o que dizem, às vezes podem soar visivelmente robóticos. O novo modelo de IA de Hume procura resolver esse problema. 

Oitava

Na quarta-feira, Hume lançou o Octave, um modelo de linguagem grande (LLM) de conversão de texto em fala com consciência contextual. O LLM pode usar essa consciência para ajustar sua melodia, ritmo e timbre de fala às palavras que está lendo com base em seu significado, de acordo com a empresa. Por exemplo, uma voz habilitada para IA pode transmitir uma sensação de nojo ao ler uma frase.

Além de entender o contexto do texto, o modelo também pode tomar direções. Os usuários podem instruí-lo a ser "calmo", "sussurrante", "nojento", "zangado" e muito mais. Hume diz que a vantagem que o Octave tem sobre um dublador é que ele pode assumir qualquer voz ou até mesmo inventar uma nova com base na descrição do usuário. 

Por exemplo, Hume diz que um usuário pode fornecer um prompt tão simples quanto "assistente sábio" ou tão complexo quanto combinar diferentes sotaques, grupos demográficos, funções ocupacionais e muito mais. Essencialmente, o modelo inventaria uma voz apenas no roteiro, mas quando solicitado, poderia ser dirigido pelo roteiro e pela descrição. 

Testando o modelo

A interface do usuário é fácil de navegar, com uma caixa de texto para Voz, na qual você pode descrever exatamente como deseja que a voz soe, e outra para Script, na qual você insere o que deseja que o modelo diga. Para o meu primeiro teste, usei os prompts detalhados pré-fabricados para ver como soava. 

Depois de clicar em "Gerar", o Octave gerou três resultados de voz e, ao ouvir pela primeira vez, fiquei impressionado. Embora eu não estivesse convencido de que as gerações capturaram o som da "garota do vale", fiquei super impressionado com as entonações e inflexões. 

Para o meu prompt, criei um cenário em que o orador principal está sem fôlego de correr e com pressa. O roteiro dizia: "YAY, estou quase na linha de chegada. Estou tão cansado, mas vou continuar empurrando porque estou quase lá. Até logo! Tchau." 

Fiquei igualmente feliz com esses resultados. Octave transmitiu principalmente o que eu queria, colocando a quantidade certa de emoção e pausas onde as respirações seriam tomadas se você estivesse exausto de correr. No entanto, como no exemplo anterior, a voz não era exatamente o que descrevi. Nesse caso, o orador não falou muito rápido. 

No geral, parece que a força do modelo é colocar as nuances da fala humana em sua saída. O que muitas vezes denuncia as vozes de IA é sua monotonia, tornando a saída bastante chata de ouvir. Com o Octave, você pode ouvir as emoções do leitor, seja frustração, derrota ou cansaço. Palavras como "ugh" têm o comprimento e a respiração exatos que um humano usaria, criando uma experiência envolvente. 

Como acessar

Existem diferentes níveis para acessar o modelo, incluindo um gratuito com um limite de 10.000 caracteres (cerca de 10 minutos) e vozes de personagens ilimitadas, se você quiser experimentá-lo. Além do nível gratuito, existem seis níveis adicionais, variando de US$3 a US$900 por mês, dependendo das necessidades de acesso.  

Por exemplo, o nível Starter custa US$3 por mês e inclui 30,000 caracteres (cerca de 30 minutos), enquanto o nível Business custa US$900 mensais para 10,000,000 de caracteres (cerca de 10,000 minutos). Há também uma opção Enterprise que pode ser personalizada de acordo com suas necessidades. Você pode ver todas as ofertas e começar no site da Hume.