Kohderyhmä: Tämä artikkeli on suunnattu sisällöntuottajille, ed-tech-tuotteiden omistajille ja hankintatiimeille, jotka arvioivat SmartReadingPen OEM/ODM-lukukynän TTS-moottorin ilmaisullista laatua – erityisesti sitä, pystyykö kynä lukemaan tarinan hahmoille sopivalla tunteella, ennustamaan prosodiaa välimerkeistä ja diskurssivihjeistä sekä mukautumaan lapsen tunnetilaan kuulostamatta robottimaiselta.
Lukukynä, joka lukee jokaisen lauseen samalla tasaisella sävyllä, on kelvoton 7-vuotiaan satuhetkeen. Lukukynä, joka kuiskaa kummitusäänellä jännittävässä kohdassa ja hihkuu ilosta onnellisessa lopussa, on ero 14 dollarin työkalun ja 34 dollarin lahjan välillä. Prosodia – puheen musiikki – on sisäisten sokkotestiemme perusteella suurin yksittäinen koetun TTS-laadun ajuri, ennen äänen luonnollisuutta ja ymmärrettävyyttä.
Tämä on tekninen katsaus prosodian mallinnusputkeemme, 18 toimitettavaan tunnetyyliin, SSML-merkintään, jolla julkaisija voi niitä ohjata, sekä luokkahuoneessa käytettävään validointiprotokollaan, joka sinun tulisi ajaa ennen minkä tahansa ODM-lukukynä-toimituksen hyväksymistä.
1. Mitä prosodia tarkoittaa lukukynässä
Prosodia on kolmen akustisen piirteen yhdistelmä, joka kulkee foneemijonon päällä:
- Sävelkorkeus (F0) – perustaajuuden muoto, ilmaistuna hertseinä (Hz). Lasten äänet ovat keskimäärin 250 Hz, aikuiset naiset 200 Hz, aikuiset miehet 120 Hz.
- Kesto – kuinka pitkään kutakin foneemia pidetään. Korostetut tavut ovat 30–50 % pidempiä; pilkulliset tauot ovat 150 ms; pisteelliset tauot ovat 400 ms.
- Energia – äänenvoimakkuuden muoto, ilmaistuna desibeleinä (dB). Korostus nostaa energiaa 4–6 dB; kuiskauksessa energia laskee 10 dB ja sävelkorkeus nousee.
Neuraalinen TTS ilman eksplisiittistä prosodian mallinnusta tuottaa tasaista, konemaista puhetta. Neuraalinen TTS prosodian mallinnuksen kera tuottaa puhetta, joka hengittää, korostaa ja tunteilee.
2. Prosodian ennustusputki
Referenssi-prosadiaennustimemme on 4,2 MB:n Transformer-enkooderi, joka toimii ennen FastSpeech 2 -akustista dekooderia. Syöte on foneemijono sekä kielelliset piirteet (POS-tunnisteet, diskurssivihjeet, välimerkit). Tuloste on (F0, kesto, energia) -kolmikoiden jono, yksi foneemia kohden.
| Komponentti | Koko | Viive (Q8) |
|---|---|---|
| Kielellisten piirteiden erotin | 1,1 MB | 6 ms |
| Prosadiaennustin (Transformer) | 4,2 MB | 18 ms |
| Tyyliadapteri (per tunnetyyli) | 240 kB × 18 = 4,3 MB | 4 ms |
| FastSpeech 2 -akustinen dekooderi | 9,6 MB | 32 ms |
| HiFi-GAN-vokooderi | 4,8 MB | 14 ms |
| Prosodia+TTS yhteensä | 24,0 MB | 74 ms per lause |
Nuo 18 tunnetyyliä tallennetaan tyylitokeneina – 240 kB:n vektoreina, jotka on opittu koulutuksen aikana 240 tunnin näytellystä tunnepuheesta, jonka ovat tuottaneet 12 ääninäyttelijää. Tyylit kattavat:
| Tyyli-ID | Nimi | Käyttökohde | Sävelkorkeuden muutos | Energian muutos |
|---|---|---|---|---|
| S01 | Neutraali | Oletuslukeminen | 0 % | 0 % |
| S02 | Iloinen | Juhla, onnistuminen | +8 % | +10 % |
| S03 | Surullinen | Menetys, hyvästi | −12% | −8% |
| S04 | Innostunut | Seikkailun huipentuma | +15% | +14% |
| S05 | Kuiskaus | Salaisuus, mysteeri | +20% | −12% |
| S06 | Peloissaan | Kummitustarina, vaara | +18% | −6% |
| S07 | Vihainen | Konna, konflikti | −8% | +12% |
| S08 | Uninen | Nukkuma-aika | −18% | −10% |
| S09 | Utelias | Kysymys, ihmetys | +6% | +2% |
| S10 | Itsevarma | Julistus | +4% | +8% |
| S11 | Hellä | Lohtu, tuutulaulu | −10% | −6% |
| S12 | Leikkisä | Vitsi, hahmo | +12% | +6% |
| S13 | Vakava | Uutiset, ohje | −4% | 0% |
| S14 | Yllättynyt | Käänne, paljastus | +22% | +10% |
| S15 | Pettynyt | Häviö, takaisku | −14 % | −4 % |
| S16 | Rohkaiseva | Tentin palaute | +6 % | +8 % |
| S17 | Auktoritatiivinen | Opettajatila | −6 % | +4 % |
| S18 | Rakastava | Vanhemmalta lapselle | −8 % | −2 % |
3. Automaattinen tunnistus tekstistä
Sisällölle, jossa ei ole eksplisiittistä SSML:ää tai kirjakohtaista tyyliä, prosodian ennustaja käyttää kolmea automaattista signaalia:
- Välimerkit — huutomerkit aktivoivat innostuneen tai iloisen tyylin; kysymysmerkit aktivoivat uteliaan tyylin; kolme pistettä aktivoivat unisen tai kuiskaavan tyylin
- Diskurssivihjeet — avainsanat, kuten "äkkiä", "hiljaa", "iloisesti", "vihaisesti", aktivoivat vastaavat tyylit
- Lauseen sijainti — kappaleen ensimmäinen lause on oletuksena neutraali; kliimaksikohta (heuristiikka: korkein substantiivitiheys) saa innostuneen tyylin
Automaattisen tunnistimen tyylinvastaavuuden tarkkuus on 84,2 % pidätetyn testijoukon 1 200 lastenkirjalauseen aineistolla, jonka on annotoinut 6 kielitieteilijää. Virheprosentti 15,8 % on hyväksyttävä oletuslukemisessa; kustantamot ohittavat sen kirjakohtaisella JSON-tiedostolla premium-tarinankerronnassa.
4. SSML-merkintä kustantajille
Kustantaja voi ohittaa automaattisen tunnistimen OID-ääniskriptiin upotetuilla SSML-tageilla. Tuemme W3C SSML 1.1 -osajoukkoa sekä omaa emotion-tagia:
<speak>
<s>Pieni kani hyppäsi puutarhaan.</s>
<s><emotion name="whisper">Mutta varjoista joku katseli.</emotion></s>
<s><emotion name="scared">— Kuka siellä on? hän kuiskasi.</emotion></s>
<s><emotion name="happy">Paikalle lensi ystävällinen perhonen!</emotion></s>
</speak>
Oma emotion-tagi yhdistetään yhteen 18 tyylitokenista. Kustantajien kirjoitustyökalu (verkkopohjainen) antaa editorien raahata ja pudottaa tyylitagit lauseiden päälle sekä esikuunnella syntetisoitua ääntä reaaliajassa. Kirjoittaminen on 4 viikon yhteistyö audio-tiimimme kanssa, hinta 4 800 dollaria kirjaa kohden.
5. Lapsen tunteiden tunnistus ja mukautuva vaste
Vuoden 2027 laiteohjelmistossa (Q6/Q8 3.4.0 beta) lisäämme lapsen tunteiden tunnistuksen 480 kB:n laitteessa toimivalla luokittelijalla, joka käyttää MEMS-mikrofonin syötettä tenttipalautteen aikana. Luokittelija tunnistaa 4 lapsen tunnetilaa:
| Tila | Akustinen tunnusmerkki | Mukautuva vaste |
|---|---|---|
| Turhautunut | Korkeampi sävelkorkeus, nopeampi puherytmi, epäsäännölliset tauot | Vaihto pehmeään ääneen, hitaampi TTS, pienemmät tenttipalat |
| Kyllästynyt | Matalammampi sävelkorkeus, hitaampi puherytmi, pidemmät tauot | Vaihto leikkisään ääneen, vaativampi tentti, pelillistetty palaute |
| Itsevarma | Vakaa sävelkorkeus, normaali puherytmi | Vaihto rohkaisevaan ääneen, vaativampi tentti, tason nostaminen |
| Ahdistunut | Vaihteleva sävelkorkeus, epäsäännöllinen puherytmi, äänen vapina | Vaihda rauhalliseen ääneen, helpompaan kyselyyn ja tarjoa apukehotetta |
Havaitsutarkkuus erillisellä testijoukolla, jossa oli 240 lasta, on 81,4 % (4-tasoinen), ja suurin sekaannus on Frustrated- ja Bored-tilojen välillä (11,2 %). Mukautuva vastaus on käyttöön otettavissa kohteessa koulupiirien hankinta , koska jotkin piirit suosivat ennustettavaa, käsikirjoitettua palautetta.
6. Äänipersoonat ja hahmoäänet
Kahdeksantoista emotionaalista tyyliä yhdistetään 8 äänipersoonaan , jolloin saadaan 144 uniikkia lukuääntä. Persoonat ovat:
| Persoona | Ikä | Aksentti | Perussävelkorkeus |
|---|---|---|---|
| Child_F_01 | 7 | en-US | 260 Hz |
| Child_M_02 | 9 | en-US | 240 Hz |
| Teen_F_03 | 14 | en-US | 220 Hz |
| Adult_F_04 | 30 | en-US | 200 Hz |
| Adult_M_05 | 35 | en-US | 120 Hz |
| Grandparent_F_06 | 65 | en-US | 180 Hz |
| Grandparent_M_07 | 68 | en-US | 110 Hz |
| Teacher_F_08 | 40 | en-US | 190 Hz |
Kohteille julkkisten IP-yhteistyöt tai kustantamoiden yhteisbrändit lisensoimme lisää äänipersoonia äänikykyvalikoimastamme. Räätälöidyn äänen NRE alkaa 18 000 dollarista ja edellyttää allekirjoitettuja kykyjen vapautuslomakkeita; katso äänikloonauksen ja puhuja-adaptaation eettiset rajat.
7. MOS-pisteet sokkokuuntelutesteistä
Teemme neljännesvuosittain sokkokuuntelutestejä, joissa on 60 kuuntelijaa kieltä kohti (15 lasta iältään 6–12, 15 vanhempaa, 15 opettajaa, 15 kielitieteilijää). Mean Opinion Score (MOS) on asteikolla 1–5, jossa 5 = ihmistason vastaavuus.
| Äänipersoona + tyyli | MOS (en-US) | MOS (zh-CN) | MOS (es-ES) |
|---|---|---|---|
| Child_F_01 + Neutraali | 4,1 | 4,0 | 4,0 |
| Child_F_01 + Iloinen | 4,4 | 4,3 | 4,3 |
| Child_F_01 + Kuiskaus | 4,6 | 4,5 | 4,5 |
| Adult_F_04 + Neutraali | 4,3 | 4,2 | 4,2 |
| Adult_F_04 + Auktoritatiivinen | 4,5 | 4,4 | 4,4 |
| Grandparent_F_06 + Uninen | 4,7 | 4,6 | 4,6 |
| Teacher_F_08 + Kannustava | 4,5 | 4,4 | 4,4 |
Parhaiten pisteytetyt yhdistelmät ovat Uninen- ja Kuiskaus-tyylejä, koska ne vaativat akustisia piirteitä (hengittävyys, matalampi energia), joita neuroverkkopohjaiset vokooderit toistavat erityisen vakuuttavasti. Heikoimmin pärjää Neutraali, mikä on paradoksaalisesti vaikein saada kuulostamaan luonnolliselta — ihmiset eivät ole koskaan täysin neutraaleja.
8. Suorituskyky ja tehobudjetti
| Kohde | Arvo |
|---|---|
| Prosodiaennustin | 4,2 Mt |
| Tyylisovittimet (18 × 240 kt) | 4,3 Mt |
| FastSpeech 2 -akustinen dekooderi | 9,6 Mt |
| HiFi-GAN-vokooderi | 4,8 Mt |
| Prosodian ja TTS:n kokonaistilankäyttö | 24,0 Mt |
| Viive per lause (Q8) | 74 ms |
| Tehokulutus synteesin aikana (Q8) | 480 mW |
| Jatkuva ääneenlukuteho (T2 2 500 mAh) | 14 h |
480 mW:n synteesiteho on lisäksi 2,4 mW:n aina päällä olevan kuuntelutehon ja 9 mW:n puhujatunnistuksen tehon päälle, kun ne ovat aktiivisina. Tyypillisen ääneenlukusession järjestelmän kokonaisbudjetti on ~490 mW.
9. Mitä ostajien on tarkistettava
Viisi ehdotonta teknistä tarkistusta tunneperäiselle TTS:lle:
- MOS-pisteet omalla sisällölläsi. Pyydä sokkokuuntelutesti 30 näytelauseella kirjastasi, arvioijina 15 kuuntelijaa kohdemarkkinoillasi. Alle 4,0 MOS ei ole lahjalaatua.
- Tyylikattavuus. Varmista, että kaikki 18 tyyliä toimitetaan ja niitä voidaan ohjata SSML:llä tai kirjakohtaisella JSON-tiedostolla.
- Tyylien yhdenmukaisuus lauseiden välillä. "Whisper"-lauseen ei pidä vuotaa "Happy"-lauseeseen — kuuntele akustisten rajojen artefakteja.
- Latenssi kuormituksessa. Mittaa päästä päähän -latenssi Q8-mallilla, kun ASR on käynnissä samanaikaisesti. Yli 200 ms tuntuu kynässä hitaalta.
- Lapsen tunteiden tunnistus – käyttöön ottaminen. Varmista, että ominaisuus on opt-in kouluhankinnoissa ja että se on vanhempien hallinnan takana.
10. Tuotekehityssuunnitelma ja OEM-räätälöinti
Vuoden 2027 tiekartta lisää monikielisen koodinvaihdon prosodian — yksittäinen lause, joka sekoittaa englantia ja mandariinia ("Let's count: yī, èr, sān, four, five"), saa kielikohtaisen prosodian. Tämä on osa AI-integroinnin tiekarttaa 2024–2026 ja vaaditaan maahanmuuttajien kotoutusohjelmissa.
OEM-räätälöintitasot:
| Taso | Kuvaus | NRE | Yksikkökohtainen rojalti |
|---|---|---|---|
| Oletus 18 tyyliä | Kaikki 8 persoonaa | $0 | $0 |
| Mukautettu tyyli | Uusi tunne, esim. "epic" tai "comedic" | $8,400 | $0.04 |
| Mukautettu äänipersoona | Uusi ääni (äänitetty lisensoidulla kyvyllä) | $18,000 | $0.25 |
| Mukautettu hahmon ääni | Täysi hahmo useilla tyyleillä | $42,000 | $0.40 |
Aiheeseen liittyvää luettavaa
- Lukukynän TTS-tekstistä puheeksi -moottori selitettynä
- Lukukynän monikielinen TTS-kielipaketti
- Lukukynän puhenopeuden ja sävelkorkeuden säätö
- Lukukynän keskustelullinen tekoäly ja dialoginhallinta
- Lukukynän käyttökohde: perheen iltasatuhetki
- Lukukynän käyttökohde: kustantamon yhteisbrändi
11. Tehtaan ja tuotannon taustaa prosodialle ja emotionaaliselle TTS:lle
Prosodian mallinnus ja emotionaalinen TTS ovat tallennustilaltaan vaativimpia ja tyyliherkimpiä moduuleja SmartReadingPen-laiteohjelmistossa. Käsittelemme prosodiapinoa ensiluokkaisena tuotantolinjana, jolla on oma hyväksyntäportti.
Prosodian polttolinjalla on 2 HiFi-GAN-validointitelinettä, 1 MOS-paneelisilmukka ja 1 FastSpeech 2 -akustisen dekooderin testaaja omistettuna 18 tyylisovittimelle kaikissa 11 tuotanto-SKU:ssa (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6). Päivittäinen laiteohjelmiston flash-läpimeno on 5,800 prosodia-tuettua kynää, huipun ollessa 9,400 kynää Q4-juhlapyhien iltasatu-SKU:jen aikana. Jokainen prosodia-tuettu kynä validoidaan 1 200 lausuman × 18 tyylin MOS-arvioidun hyväksyntäjoukon avulla ennen lajittelua ja vapautusta. Hyväksyntäportti yhdistää neljä signaalia: prosodiaennustajan SHA-vastineen (4,2 Mt), tyylisovitinpankin SHA-vastineen (4,3 Mt 18 × 240 kt yli), FastSpeech 2 -akustisen dekooderin SHA-vastineen (9,6 Mt) ja HiFi-GAN-vokooderin SHA-vastineen (4,8 Mt).
Prosodian AQL on AQL II = 1,5 akustisen dekooderin kirjoitusvaiheessa (suurin yksittäinen lohko) ja AQL II = 1,0 tyylisovitinpankille. Läpimeno SKU:ittain prosodia-tuetuilla linjoilla:
| SKU | Päiväkapasiteetti (kynää) | Toimitetut tyyliadapterit | Toimitusaika (päivää) |
|---|---|---|---|
| T2 (iltasadun lippulaiva) | 1 400 | 18 (täysi) | 38 |
| Y6 (joogakynän muototekijä) | 1 100 | 18 (täysi) | 40 |
| Q8 (4 tuuman OCR + prosodia) | 1 000 | 18 (täysi) | 36 |
| P2 (kustantamon yhteisbrändi) | 800 | 18 (täysi + räätälöity tyyli) | 48 |
| L5 (kirjastoversio) | 400 | 14 (osajoukko) | 52 |
| F8 (kaukokenttä käytössä) | 400 | 12 (osajoukko) | 44 |
| K7 (lasten tila) | 500 | 8 (osajoukko) | 32 |
| KF1 (kompakti) | 200 | 6 (osajoukko) | 30 |
| B1 / B2 / Q6 | tasapaino | per tilaus | 28–34 |
Prosodiaominaisuudella varustettujen SKU:jen keskimääräinen toimitusaika on 38,4 päivää; P2- ja L5-kustantamoiden yhteisbrändi-SKU:t ovat pidempiä räätälöidyn tyyliadapterin koulutuksen ja polittotestitelineeseen annostelun vuoksi.
12. Sertifiointi, lokalisointi ja äänilähdön vaatimustenmukaisuus
Prosodia- ja tunneTTS-pinomme toimitetaan dokumentaatiolla, joka soveltuu lasten äänituotteiden due diligence -tarkasteluihin, opetusministeriöiden hankintoihin ja maahantuojien vaatimustenmukaisuusarviointeihin:
| Sertifiointi / standardi | Prosodiaan / tunneTTS:ään liittyvä kattavuus |
|---|---|
| CE (EN 55032 / EN 55035) | Sisäisen kaiuttimen äänilähdön EMC |
| FCC Part 15 | RF-päästöt, ei vaikutusta prosodia-pinoon |
| UKCA | UK:n jälleenmyyjä, en-GB-tyyliadapteri toimitetaan oletuksena |
| EN71-1/2/3 | Fyysinen / toksikologia, ei vaikutusta prosodiaan |
| ASTM F963 | Yhdysvaltojen leluturvallisuus, äänentasorajat huomioidaan |
| RoHS 2.0 / REACH | Materiaalit, ei vaikutusta prosodiaan |
| IEC 62368-1 | AV / ICT-laitteiden turvallisuus, kattaa kaiutinlähdön |
| PSE (Japani) | Japanin jälleenmyyjä, ja-JP-tyylin adapteri vaaditaan |
| KC (Korea) | Korean jälleenmyyjä, ko-KR-tyylin adapteri vaaditaan |
| GCC (Persianlahti) | Persianlahden jälleenmyyjä, ar-SA-tyylin adapteri vaaditaan |
| SFDA / ESMA | Saudi-Arabia / UAE, ar-SA-pakkaus + kohdekielelle sopivat tyyliohjeet |
| TIS (Thaimaa) | th-TH-tyylin adapteri pyynnöstä (roadmap) |
| NOM (Meksiko) | es-MX-tyylin adapteri toimitetaan |
| RCM (Australia/Uusi-Seelanti) | en-AU-tyylin adapteri toimitetaan |
| NRCS (Etelä-Afrikka) | en-ZA-tyylin adapteri toimitetaan |
| INMETRO (Brasilia) | pt-BR-tyylin adapteri toimitetaan |
| GDPR art. 5 / 9 / 32 | Äänidataa ei tallenneta prosodia-synteesistä |
| COPPA / FERPA | Vain lasten sisältöä, käyttäytymisprofiilia ei muodosteta |
| ISO 9001:2015 | Tehtaan laatujärjestelmä, kattaa laiteohjelmiston flash-AQL:n |
| ISO 13485 (P2 lääkinnällinen) | Lukukynä on oppimisen apuväline, ei lääkinnällinen laite |
Prosodiapino on puhtaasti laitteessa toimiva päättelymoottori. Synteesin aikana ei lähetetä äänidataa pilveen, mikä yksinkertaistaa rajat ylittävän tiedonsiirron dokumentointia EU:n, Yhdistyneen kuningaskunnan, Yhdysvaltojen, Saudi-Arabian ja UAE:n opetusalan hankinnoissa.
13. OEM/ODM-hinnoittelu & SKU-kompromissit
SmartReadingPen OEM/ODM-ostajan, joka aikoo toimittaa prosodia-/emotionaalista TTS:ää, tulee varautua seuraavaan hinnoittelumalliin. Hinta on FOB Shenzhen 1 000 yksikön MOQ:lle, eikä sisällä laitteiston hintaa.
| Tuote | NRE | Yksikkökohtainen rojalti | MOQ |
|---|---|---|---|
| Oletus 8 tyyliä, 6 kieltä | $0 | $0 | 1 000 |
| Täysi 18 tyylin adapteripaketti | $3 800 | $0,14 | 1 000 |
| Mukautettu tyyliadapteri (1 brändiääni) | $6 400 | $0,06 | 1 000 |
| Mukautettujen tyylien paketti (4 brändiääntä) | $18 000 | $0,20 | 2 000 |
| Kielikohtainen tyylilisä (1 uusi kieli, 18 tyyliä) | $4 200 | $0,08 | 1 000 |
| Neuronaalisen prosodian lisäoptio (vain Q8, T2, Y6) | $9 600 | $0,12 | 2 000 |
| Täysi 18 tyyliä × 12 kieltä -paketti | $11 400 | $0,32 | 2 000 |
Alueellisen brändin, joka myy yhteen maahan, tulisi varata NRE 3 800–6 400 $ + rojaltit 0,06–0,14 $ per laite vakiona toimitettavaa 18 tyylin sovitinpankkia varten. Monikansallisen julkaisijan, joka toimittaa 6+ lokaatiolle omilla brändiäänillä, tulisi varautua NRE 18 000 $ + 0,20 $ per laite 2 000 yksikön MOQ:lla, laskien 0,14 dollariin 10 000 yksikön MOQ:lla. Maksuehdot ovat 30 % T/T-käsiraha, 70 % B/L-kopiota vastaan; peruuttamaton L/C at sight hyväksytään yli 200 000 $:n tilauksille.
14. Sisäiset validointimittarit & tekniset keskeiset havainnot
Lukumäärän 38 400 prosodiakäyttöistä kynää toimitettu 08/2024 ja 08/2026 välillä (T2 11 800 / Y6 8 200 / Q8 7 400 / P2 4 800 / L5 1 600 / F8 1 400 / K7 1 800 / KF1 1 400) kattavan sisäisen MOS-paneelin telemetria osoittaa:
| Mittari | 2024 | 2025 | 2026 (8 kk) |
|---|---|---|---|
| MOS-keskiarvo (kaikki 18 tyyliä, 12 lokaatiota) | 3,94 | 4,12 | 4,27 |
| Tyylikonsistenssi (sisäisten MOS σ) | 0,42 | 0,36 | 0,31 |
| Latenssi p95 per lause (Q8) | 88 ms | 80 ms | 74 ms |
| Mukautettujen tyylien käyttöönotto (P2 / L5) | 6 julkaisijaa | 14 julkaisijaa | 22 julkaisijaa |
| Neuraalisen prosodian valinneet SKU:t | 0 | T2-pilotti | T2, Y6, Q8 |
Teknisiä havaintoja OEM/ODM-ostajille, jotka arvioivat prosodiaa ja emotionaalista TTSää:
- Tyylisovitinpankki on välttämätön vähittäislaatuiselle prosodialle — vain 8 oletustyyliä sisältävä kynä kuulostaa lattealta verrattuna 18 tyylin pankkiin. Varmista, että koko pankki on BOM-listalla ennen allekirjoittamista.
- Mukautetut brändiäänet ovat oma budjettikohtansa — yksi brändiääni maksaa 6 400 $ NRE sekä 6 viikon koulutuksen. Budjetoi sen mukaan kaikille co-brändätyille hahmoille.
- Latenssibudjetti kutistuu nopeasti pienemmillä SKU:illa — K7, KF1, B1 osuvat seinään ~110 ms p95 kohdalla; vain Q8, T2, Y6 saavuttavat 74 ms tavoitteen. Suunnittele SKU-tasot sen mukaisesti.
- Lokaatiokattavuus on hiljainen sudenkuoppa — 12 lokaation paketti 11 400 $ NRE on halvempi kuin 12 erillistä lokaatiota. Pyydä aina pakettitarjous.
- MOS-paneeli on ainoa rehellinen signaali — SSML-tagit näyttävät oikeilta mutta kuulostavat vääriltä. Vaadi tyylikohtainen MOS 30:n lauseen hyväksymissarjalle per lokaatio.
Ostajille, jotka ovat valmiita toimittamaan prosodiaa / emotionaalista TTSää 4+ lokaatioon tai ottamaan käyttöön mukautetun brändiäänen, pyydä tarjous ja liitä mukaan kohdelokaatiolista, esimerkkisisältösetti, kohde-SKU sekä mahdolliset brändiänen referenssinäytteet. Prosodiatietimme palauttaa NRE-erittelyn, sovitinpankin jalanjälkiraportin ja MOS-paneeliaikataulun 3 työpäivän kuluessa.