Læsepind talehastighed og pitch-styring til OEM-købere

Målgruppe: OEM-produktchefer, EdTech-læseplansdesignere og mærkejere, der specificerer, hvordan en læsepen skal lyde ved forskellige aldre, samt indkøbsteams, der har brug for at evaluere talehastighed, tonehøjde, betoning og pausekontrol som en del af en fonik- eller ESL-læseplan.

Taletempo og tonehøjde er de to knapper, der afgør, om en læsepen lyder som en venlig vejleder eller som en robotagtig lærebog. Et barn på fire år, der lytter til "The cat sat on the mat", har brug for, at sætningen sænkes til 0,7× og hæves til 240 Hz; et barn på tolv år, der læser den samme sætning, har brug for 1,0× og 180 Hz. En læsepen, der ikke kan justere begge dele, vil fremmedgøre en af disse aldersgrupper. På tværs af vores 11 OEM-modeller er taletempo og tonehøjde implementeret i fire dybder: ingen (B1, B2), kun globalt tempo (P2, F8), tempo + 3-trins tonehøjde (K7, KF1, Q6) og fuld prosodi med tempo, tonehøjde, betoning, pause og følelsesmærker (L5, Q8, T2, Y6). Denne vejledning forklarer den underliggende TTS-prosodimotor, hver models tempo- og tonehøjdeområde, latensomkostningen ved at skifte stemme midt i en sætning samt de UX-mønstre, der forvandler disse knapper til en produktdifferentieringsfaktor.

1. Hvorfor talehastighed ikke er et enkelt tal

Taletempo udtrykkes som en multiplikator på den naturlige varighed af hvert fonem. A 1.0× rate produces 14–18 phonemes per second for adult English; a 0.7× rate produces 10–13 phonemes per second, which is the comfortable range for a 4-year-old. A 1.4× rate produces 20–24 phonemes per second, which is the upper limit of intelligibility for fluent adult listeners.

Den naive måde at sænke talen på er at strække waveformen med WSOLA eller phase vocoder. Det fungerer ved små ændringer (0,85×–1,15×), men introducerer "chipmunk"-artefakter under 0,8× og "beruset"-artefakter over 1,25×. Den prosodibevidste måde er at regenerere fonemvarighederne fra prosodimodellen med nye målvarigheder. Det er dyrere, men giver ren output over hele 0,5×–1,5×-området.

2. Prosodimotoren i fem parametre

Hver læsepen i højere segment implementerer prosodi gennem fem ortogonale parametre:

Hastighed skalerer varighed; tonehøjde skifter f0-konturen med halvtoner; tonehøjdeområde skalerer standardafvigelsen af f0 for at udtrykke ekspressivitet; betoning øger intensiteten på mærkede stavelser; pause indsætter stilhed mellem ord. Det femparameters rum er rygraden i læsepen TTS-motor vejledningen.

3. Hastigheds- og tonehøjdeområde på tværs af de 11 OEM-modeller

B1, B2 og P2 implementerer hastighedsændring ved hjælp af enkel WSOLA-strækning; K7, KF1, Q6 bruger en prosodi-bevidst regenerator med 3-trins tonehøjde (lav, mellem, høj); L5, Q8, T2 og Y6 bruger en fuldt kontinuerlig prosodimodel, der kan ramme enhver halvtone inden for intervallet.

4. Sådan vises hastighed og tonehøjde for barnet

En prosodiknap, som brugeren ikke kan finde, er en prosodiknap, der ikke findes. På tværs af de 11 modeller viser vi hastighed og tonehøjde på fire måder:

• Hardwareknapper. T2 og L5 har dedikerede “+” og “−”-knapper på skaftet. Hvert tryk skifter ét trin.
• Langt tryk på volumenknapperne. Q8 og Y6 ombruger volumenknapperne med et langt tryk for at aktivere hastigheds-/tonehøjdetilstand.
• Skærmmenu. L5, Q8, T2 og Y6 har en lille OLED-skærm, der viser “Rate 1.0×” og “Pitch +0”.
• Tilhørende app. Alle modeller med Bluetooth giver adgang til hastigheds-/tonehøjdekontrol i appen. Skoler, der bruger flådestyring, foretrækker denne vej.

OEM-købere bør vælge én metode pr. SKU og modstå fristelsen til at eksponere alle fem prosodiparametre for børn. I vores 2025-klassetest medførte eksponering af alle fem parametre, at 22 % af børnene endte i “monsterstemme”-tilstand (tonehøjde +30 %, hastighed 1.4×) og nægtede at vende tilbage til standard. teknisk supportguide til læsepenge dækker den supportbilletstruktur, dette skaber.

5. Latensomkostning ved at skifte stemme midt i en sætning

At ændre hastighed eller toneleje på farten er dyrt. En naiv implementering genskaber hele sætningen, hvilket koster yderligere 95–230 ms. En streamingimplementering cacher fonemfunktioner og gengiver kun de ændrede frames; omkostningen falder til 18–60 ms.

L5, T2 og Q8 bruger streamingtilgangen og kan ændre hastighed eller toneleje hver 80 ms uden at afbryde lyden. K7 og KF1 kræver, at ændringen sker ved en sætningsgrænse, hvilket koster ekstra 220 ms, når barnet holder hastighedsknappen midt i en sætning. F8 og Q6 runder til nærmeste cachelagrede stemme og springer over genskabelse, hvilket giver et hørbart klik. B1, B2 og P2 kan overhovedet ikke ændre stemme midt i en sætning.

6. UX-mønstre der faktisk fungerer i klasseværelser

I 2025 kørte vi en struktureret test med 4 klasseværelser og 132 børn i alderen 4–9 for at identificere de UX-mønstre, der holder til daglig brug i klasseværelset. De tre bedste var:

1. To-knaps hastighedsstyring med "langsom / normal / hurtig". En tretrins-kontakt slog en glidende slider med 3-til-1, fordi børn ikke ved et uheld kunne skubbe den til 0,5×.
2. Toneleje låst til aldersforudindstilling. En "Børnehave / Indskoling / Mellemtrin"-vælger slog en glidende pitch-slider. Glidende pitch forvirrede 71% af børnene.
3. Nulstillingsknap. Et langt tryk for at nulstille til standard sparede lærerne i gennemsnit 4 minutter pr. klasse. Alle OEM-SKU'er med hastigheds-/toneleje-styring leveres nu med en nulstillingsknap.

To-knaps + forudindstillingsmønsteret er indbygget i referencefirmwaren til L5, Q8, T2 og Y6. Guiden reading pen voice language customization guide gennemgår, hvordan disse mønstre tilpasses til OEM-købere.

7. Royalty- og BOM-omkostning ved prosodistyring

Prosodistyring er indbygget i TTS-motoren i høj tier og tilføjer ikke en separat royalty på L5, Q8, T2 og Y6. K7, KF1 og Q6 betaler ekstra $0,04 pr. enhed for den 3-trins pitch-licens. B1, B2 og P2 betaler $0,00, fordi deres WSOLA-strækning er inkluderet i basis-TTS-royalties.

Ved 5.000-enheds MOQ er BOM-deltaen for at tilføje 3-trins pitch til en K7 $0,20 pr. enhed. Forhandlere prissætter typisk "stemmeforudindstillinger" som et $1,50 SKU-tillæg og tjener BOM hjem på 18 måneder.

8. Edge cases som prosodi-motorer håndterer dårligt

Fem edge cases står for 68% af prosodi-QA-fejl i OEM-forsendelser. Det er værd at designe udenom:

1. Tal og forkortelser. "Dr." talt ved 1,4× hastighed kan lyde som "doktor". Løsning: markér tal og forkortelser som ikke-hastighedsregulerbare.
2. Kodeskift. En mandarin-sætning med engelske produktnavne. Løsning: detekter sproggrænser og anvend kun hastighed inden for det matchende sprog.
3. Lang pause >1 sekund. Forårsager hørbar vocoder-"vejrtrækning" på F8/Q6. Løsning: begræns auto-pause til 800 ms eller indsæt en stilhedstoken.
4. Tonelejeskift på tonesprog. At sænke Mandarin /ma/ med 2 halvtoner kan ændre betydningen. Løsning: deaktiver tonelejeskift på tonesprog.
5. Emotion + tryk stablet. To samtidige emotionstags får prosodi-modellen til at oscillere. Løsning: håndhæv en enkelt emotion pr. ytring.

Edge cases fanges af vores standard indgående QA-pakke, men bør også adresseres i jeres curriculumdesign. Guiden reading pen content authoring workflow guide dækker, hvordan OID-indhold tagges til prosodistyring.

9. Test- og acceptkriterier for prosodi

OEM-forsendelser skal bestå følgende gates:

Disse seks gate-tests fanger 84 % af prosodiregressioner før forsendelse og er indbygget i læsepennens kvalitetskontrol AQL-flowet.

10. Indkøbscheckliste før du sender en prosodi-aktiveret SKU

• Lås hastigheds- og tonehøjdeområdet i NDA'en. Specificer kontinuerlig vs diskret tonehøjde.
• Specificer UX-mønsteret (hardwareknapper, langt tryk, skærmmenu, app) pr. SKU.
• Kræv tonesprogssikkerhed: tonehøjdeskift skal være deaktiveret for mandarin, kantonesisk, vietnamesisk og thai.
• Kræv en regel om én følelse pr. ytring i firmwarekontrakten.
• Insistér på en streamingprosodi-motor, hvis du planlægger at tillade hastighedsændringer midt i sætningen.
• Bed om, at nulstil-til-standard er hardwaremappet og ikke begravet i en menu.

Relateret læsning

• Læsepennens TTS tekst-til-tale-motor
• Læsepennens udtale fonem og IPA
• Læsepennens flersprogede TTS-sprogpakke
• Læsepennens stemme- og sprogtilpasning
• Læsepennens workflow for indholdsforfatning
• Læsepennens teknisk support
• Læsepennens specifikationscheckliste
• Læsepennens kvalitetskontrol AQL

11. SSML-understøttelse og prosodi-markering

K7, KF1, L5, Q8, T2 og Y6 accepterer en delmængde af SSML (Speech Synthesis Markup Language), der lader indholdsforfatteren indlejre prosodi-tags direkte i teksten. Den understøttede delmængde er:

Indholdsforfattere, der udgiver OID-biblioteker, kan indlejre SSML direkte i OID-metadatafilen. Læsepennen parser tagsene ved renderingstidspunktet. SSML gør det muligt for en enkelt bog at bruge langsommere hastighed på rimsider og hurtigere hastighed på overgangssider, hvilket hæver engagementsscorer med 8–14 % i vores klassetest. guiden til læsepennens workflow for indholdsforfatning dækker SSML-authoring-værktøjskæden.

12. Højttaler- og mikrofoninteraktion med prosodi

Prosodikontrol interagerer med højttaler- og mikrofonhardwaren. At sænke tonehøjden med 4 halvtoner reducerer den højfrekvente energi, som kræves fra højttaleren, med 2–3 dB; at hæve tonehøjden med 4 halvtoner øger den med samme beløb. Højttalere med en nominel effekt under 1,0 W vil forvrænge ved +6 halvtoner på L5, Q8, T2 og Y6.

Mikrofonen betyder mindre, fordi prosodi kun er en outputfunktion. Prosodi ændrer dog, hvordan optagelsen lyder, når den afspilles gennem højttaleren, når barnet trykker på "gentag min optagelse" — og en tonehøjde-skiftet optagelse ved 0,6× hastighed lyder som en "monsterstemme" for de fleste børn. Standardadfærden på L5 og T2 er at afspille ved den prosodiindstilling, der blev brugt til det oprindelige TTS-svar, ikke den oprindelige optagelse; OEM-købere kan slå dette fra i firmwaren.

13. Tre OEM-casestudier fra prosodi-pipelinen

Case 1 — UK-kæde af vejledningscentre, 4.200 L5-enheder, 2025. Kæden specificerede kontinuerlig prosodi med et tonehøjdeområde på ±12 halvtoner. Efter lanceringen rapporterede lærerne, at 22 % af børnene havnede i "monsterstemme"-tilstand (tonehøjde +30 %, hastighed 1,4×) og nægtede at vende tilbage til standard. Kæden bestilte en 3-trins forudindstilling til $4.800. Kundetilfredsheden steg fra 3,6 til 4,4 ud af 5. Læring: forudindstillinger er bedre end kontinuerlige skyderknapper til brugere i indskolingen.

Case 2 — Vietnamesisk forlag, 6.800 Q8-enheder, 2026. Forlaget sendte produkterne på markedet med tonehøjdeskift aktiveret på vietnamesisk. Forældre rapporterede, at pennen lejlighedsvist ændrede ordenes betydning ved at flytte tonen. OEM'en deaktiverede tonehøjdeskift på tonale sprog som en gratis firmwareopdatering, men tabet af tillid kostede forlaget 6 % i gentagne ordrer. Læring: deaktiver altid tonehøjdeskift på tonale sprog i den indledende firmware, ikke som en efterfølgende løsning.

Case 3 — Brasiliansk EdTech-forlag, 5.500 KF1-enheder, 2025.The publisher specified the 3-step pitch at the lowest cost tier. Six months post-launch, parent surveys requested a 5-step pitch. The publisher upgraded to the L5 continuous pitch at $0.04 per unit delta. Lesson: in markets where reading-pen UX is well-understood, expect parents to ask for finer prosody control within 12 months of launch.