Khalayak sasaran: Pengurus produk OEM, pereka kurikulum EdTech dan pemilik jenama yang menentukan cara sebutan pena baca pada peringkat umur berbeza, selain pasukan perolehan yang perlu menilai kadar pertuturan, julat nada, penekanan dan kawalan jeda sebagai sebahagian daripada kurikulum fonik atau ESL.
Kawalan kadar pertuturan dan nada ialah dua tombol yang menentukan sama ada pena baca berbunyi seperti tutor yang mesra atau seperti buku teks yang robotik. Kanak-kanak berusia empat tahun yang mendengar "The cat sat on the mat" memerlukan kadar perlambatan kepada 0.7× dan nada dinaikkan kepada 240 Hz; kanak-kanak berusia dua belas tahun yang membaca ayat sama memerlukan 1.0× dan 180 Hz. Pena baca yang tidak dapat melaras kedua-duanya akan menyisihkan salah satu kumpulan umur tersebut. Merentasi 11 model OEM kami, kawalan kadar pertuturan dan nada dilaksanakan pada empat tahap kedalaman: tiada (B1, B2), kadar global sahaja (P2, F8), kadar + nada 3-langkah (K7, KF1, Q6), dan prosodi penuh dengan kadar, nada, penekanan, jeda dan tag emosi (L5, Q8, T2, Y6). Panduan ini menjelaskan enjin prosodi TTS yang mendasari, julat kadar/nada setiap model, kos kependaman apabila menukar suara di tengah ayat, dan corak UX yang menjadikan tombol ini sebagai pembeza produk.
1. Mengapa kadar pertuturan bukan satu angka tunggal
Kadar pertuturan diungkapkan sebagai pengganda ke atas tempoh semula jadi setiap fonem. Kadar 1.0× menghasilkan 14–18 fonem sesaat untuk bahasa Inggeris dewasa; kadar 0.7× menghasilkan 10–13 fonem sesaat, iaitu julat yang selesa untuk kanak-kanak berusia 4 tahun. Kadar 1.4× menghasilkan 20–24 fonem sesaat, iaitu had atas kebolehfahaman untuk pendengar dewasa yang fasih.
Cara mudah untuk memperlahankan pertuturan ialah meregangkan bentuk gelombang dengan WSOLA atau phase vocoder. Kaedah ini berkesan untuk perubahan kecil (0.85×–1.15×) tetapi memperkenalkan artifak "chipmunk" di bawah 0.8× dan artifak "mabuk" melebihi 1.25×. Cara yang peka prosodi ialah menjana semula tempoh fonem daripada model prosodi dengan tempoh sasaran baharu. Kaedah ini lebih mahal tetapi menghasilkan output yang bersih merentasi julat penuh 0.5×–1.5×.
2. Enjin prosodi dalam lima parameter
Setiap pena baca kelas tinggi melaksanakan prosodi melalui lima parameter ortogon:
| Parameter | Julat | Lalai | Memberi kesan kepada |
|---|---|---|---|
| Kadar | 0.5× – 1.5× | 1.0× | Semua |
| Nada | -20% – +30% (semitones) | 0 | L5, Q8, T2, Y6 |
| Julat nada | 50% – 150% | 100% | L5, Q8, T2, Y6 |
| Penekanan | 0 – 3 | 0 | L5, Q8, T2, Y6 |
| Jeda | 50 ms – 1500 ms | auto | Semua |
Kadar menskala tempoh; nada menganjak kontur f0 mengikut semitone; julat nada menskala sisihan piawai f0 untuk menyampaikan ekspresi; penekanan meningkatkan keamatan pada suku kata bertanda; jeda menyelitkan kesunyian antara perkataan. Ruang lima parameter ini ialah tulang belakang panduan enjin TTS pena baca.
3. Julat kadar dan nada merentasi 11 model OEM
| Model | Julat kadar | Anjakan nada | Julat nada | Penekanan | Kawalan jeda |
|---|---|---|---|---|---|
| B1 | 0.85× – 1.15× | Tiada | Tiada | Tidak | Tidak |
| B2 | 0.85× – 1.15× | Tiada | Tiada | Tidak | Tidak |
| F8 | 0.75× – 1.25× | Tiada | Tiada | Tidak | Ya |
| K7 | 0.6× – 1.4× | ±4 seminada, 3 langkah | Tiada | Tidak | Ya |
| KF1 | 0.6× – 1.4× | ±4 seminada, 3 langkah | Tiada | Tidak | Ya |
| L5 | 0.5× – 1.5× | ±12 seminada, berterusan | 50–150% | Ya | Ya |
| P2 | 0.8× – 1.2× | Tiada | Tiada | Tidak | Tidak |
| Q6 | 0.75× – 1.25× | ±4 seminada, 3 langkah | Tiada | Tidak | Ya |
| Q8 | 0.5× – 1.5× | ±12 seminada, berterusan | 50–150% | Ya | Ya |
| T2 | 0.5× – 1.5× | ±12 seminada, berterusan | 50–150% | Ya | Ya |
| Y6 | 0.5× – 1.5× | ±12 seminada, berterusan | 50–150% | Ya | Ya |
B1, B2 dan P2 melaksanakan perubahan kadar melalui regangan WSOLA mudah; K7, KF1 dan Q6 menggunakan penjana semula yang peka prosodi dengan pic 3 langkah (rendah, sederhana, tinggi); L5, Q8, T2 dan Y6 menggunakan model prosodi berterusan sepenuhnya yang boleh mencapai mana-mana seminada dalam julat.
4. Cara kadar dan pic dipaparkan kepada kanak-kanak
Tombol prosodi yang tidak dapat dicari pengguna ialah tombol prosodi yang sebenarnya tidak wujud. Dalam 11 model ini, kami memaparkan kadar dan pic melalui empat corak:
- Butang perkakasan. T2 dan L5 mempunyai butang khusus "+" dan "−" pada badan pen. Setiap tekan bertukar satu langkah.
- Tekan lama kekunci kelantangan. Q8 dan Y6 menggunakan semula kekunci kelantangan dengan tekan lama untuk masuk ke mod kadar/pic.
- Menu pada skrin. L5, Q8, T2 dan Y6 mempunyai OLED kecil yang memaparkan "Rate 1.0×" dan "Pitch +0".
- Aplikasi pengiring.Semua model dengan Bluetooth mendedahkan kawalan kadar/pitch dalam aplikasi. Sekolah yang menggunakan pengurusan armada lebih memilih laluan ini.
Semua model anda telah menggunakan Bluetooth mendedahkan kawalan kadar/pic dalam aplikasi. Sekolah yang menggunakan pengurusan armada lebih memilih laluan ini.panduan sokongan teknologi pen bacaan merangkumi corak tiket sokongan yang tercipta.
5. Kos kependaman menukar suara di tengah ayat
Menukar kadar atau pitch secara langsung adalah mahal. Pelaksanaan naif mensintesis semula keseluruhan ayat, menelan kos tambahan 95–230 ms. Pelaksanaan penstriman menyimpan cache ciri fonem dan hanya memaparkan semula bingkai yang diubah; kos turun kepada 18–60 ms.
L5, T2 dan Q8 menggunakan pendekatan penstriman dan boleh menukar kadar atau pic setiap 80 ms tanpa memecahkan audio. K7 dan KF1 memerlukan perubahan pada sempadan frasa, menyebabkan tambahan 220 ms apabila kanak-kanak menahan butang kadar di tengah ayat. F8 dan Q6 membundarkan kepada suara cache terdekat dan melangkau paparan semula, yang menghasilkan klik yang boleh didengar. B1, B2 dan P2 tidak boleh menukar suara di tengah ayat sama sekali.
6. Corak UX yang benar-benar berkesan di bilik darjah
Pada 2025 kami menjalankan ujian berstruktur dengan 4 bilik darjah dan 132 kanak-kanak berumur 4–9 untuk mengenal pasti corak UX yang kekal dalam penggunaan harian bilik darjah. Tiga teratas ialah:
- Kawalan kadar dua butang dengan "perlahan / biasa / pantas". Suis tiga kedudukan mengatasi gelongsor berterusan dengan margin 3-ke-1 kerana kanak-kanak tidak boleh secara tidak sengaja menolaknya ke 0.5×.
- Pic dikunci kepada praset umur. Pemilih pic "Tadika / Rendah / Menengah" mengatasi gelongsor pic berterusan. Pic berterusan mengelirukan 71% kanak-kanak.
- Butang set semula. Set semula tekan lama kepada lalai menyelamatkan purata 4 minit setiap kelas bagi guru. Setiap SKU OEM dengan kawalan kadar/pic kini dihantar dengan butang set semula.
Corak dua butang + praset dibina ke dalam perisian tegar rujukan L5, Q8, T2 dan Y6. panduan penyesuaian bahasa suara pen baca melalui proses penyesuaian corak ini untuk pembeli OEM.
7. Kos royalti dan BOM kawalan prosodi
Kawalan prosodi dibina ke dalam enjin TTS peringkat tinggi dan tidak menambah royalti berasingan pada L5, Q8, T2 dan Y6. K7, KF1 dan Q6 membayar tambahan $0.04 seunit untuk lesen pic 3-langkah. B1, B2 dan P2 membayar $0.00 kerana peregangan WSOLA mereka termasuk dalam royalti TTS asas.
| Model | Royalti prosodi seunit | Flash | Jumlah kos untuk prosodi penuh |
|---|---|---|---|
| B1 / B2 / P2 | $0.00 | 0 | $0.00 |
| F8 | $0.00 | 0 | $0.00 |
| K7 / KF1 / Q6 | $0.04 | 0.2 MB | $0.04 |
| L5 / Q8 / T2 / Y6 | $0.00 | 1.2 MB (dibundel) | $0.00 |
Pada MOQ 5,000 unit, delta BOM untuk menambah pic 3-langkah pada K7 ialah $0.20 seunit. Peruncit biasanya menilai "praset suara" sebagai tambahan harga SKU $1.50 dan memulihkan BOM dalam 18 bulan.
8. Kes tepi yang dikendalikan enjin prosodi dengan lemah
Lima kes tepi menyumbang 68% daripada kegagalan QA prosodi dalam penghantaran OEM. Ia wajar direka bentuk di sekeliling:
- Nombor dan singkatan. "Dr." disebut pada kadar 1.4× boleh berbunyi seperti "doktor". Pembetulan: tag nombor dan singkatan sebagai tidak boleh dikawal kadar.
- Pertukaran kod. Ayat Mandarin dengan nama produk Inggeris. Pembetulan: kesan sempadan bahasa dan gunakan kadar hanya dalam bahasa yang sepadan.
- Jeda panjang >1 saat. Menyebabkan "nafas" vocoder yang boleh didengar pada F8/Q6. Pembetulan: hadkan jeda automatik pada 800 ms atau masukkan token senyap.
- Anjakan pic pada bahasa ton. Menggeser /ma/ Mandarin ke bawah sebanyak 2 semiton boleh mengubah makna. Pembetulan: lumpuhkan anjakan pic pada bahasa ton.
- Tindanan emosi + penekanan. Dua tag emosi serentak menyebabkan model prosodi berayun. Pembetulan: kuatkuasakan satu emosi setiap ujaran.
Kes tepi ditangkap oleh bateri QA masuk standard kami tetapi juga harus ditangani dalam reka bentuk kurikulum anda. panduan aliran kerja pengarangan kandungan pen baca merangkumi cara menanda kandungan OID untuk kawalan prosodi.
9. Ujian dan kriteria penerimaan untuk prosodi
Penghantaran OEM mesti melepasi get berikut:
| Semakan | Ambang | Saiz sampel |
|---|---|---|
| Ketepatan kadar pada 0.7× | ±5% tempoh berbanding rujukan | 100 ayat × 4 bahasa |
| Ketepatan anjakan nada | ±0.5 semiton berbanding sasaran | 100 ayat × 4 bahasa |
| Kos kependaman bagi perubahan di tengah ayat | ≤60 ms (L5+) / ≤250 ms (K7) | Osiloskop |
| Anjakan nada pada bahasa bernada | Dilumpuhkan | 200 ayat |
| Artefak audio pada kadar melampau (0.5× dan 1.5×) | Tiada | 50 ayat |
| Tetapkan semula kepada lalai | Berfungsi dengan 1 tekan butang | 30 percubaan |
Enam gerbang ini menangkap 84% regresi prosodi sebelum penghantaran dan dibenamkan dalam aliran kawalan kualiti pen baca AQL .
10. Senarai semak sumber sebelum anda menghantar SKU yang membolehkan prosodi
- Kunci julat kadar dan julat nada dalam NDA. Tentukan nada berterusan lwn diskret.
- Tentukan corak UX (butang perkakasan, tekan lama, menu atas skrin, aplikasi) mengikut SKU.
- Minta keselamatan bahasa nada: anjakan nada mesti dilumpuhkan pada bahasa Mandarin, Kantonis, Vietnam dan Thai.
- Tuntut peraturan satu-emosi-per-ucapan dalam kontrak firmware.
- Bertegas untuk enjin prosodi penstriman jika anda merancang untuk membenarkan perubahan kadar di tengah ayat.
- Minta tingkah laku tetapan semula kepada lalai dipetakan perkakasan, bukan disembunyikan dalam menu.
Bacaan Berkaitan
- Enjin TTS Teks-ke-Ucapan Pen Baca
- Fonem dan IPA Sebutan Pen Baca
- Pek Bahasa TTS Pelbagai Bahasa Pen Baca
- Penyesuaian Bahasa Suara Pen Baca
- Aliran Kerja Pengarangan Kandungan Pen Baca
- Sokongan Teknikal Pen Baca
- Senarai Semakan Spesifikasi Pen Baca
- Kawalan Kualiti AQL Pen Baca
11. Sokongan SSML dan penanda prosodi
K7, KF1, L5, Q8, T2 dan Y6 menerima subset SSML (Speech Synthesis Markup Language) yang membolehkan pengarang kandungan membenamkan tag prosodi terus dalam teks. Subset yang disokong ialah:
| Tag | Fungsi | Menjejaskan model |
|---|---|---|
<prosody rate="0.8"> |
Laraskan kadar untuk teks yang dibalut | Semua |
<prosody pitch="+2st"> |
Laraskan pic dalam semiton | L5, Q8, T2, Y6 |
<break time="400ms"> |
Masukkan jeda yang jelas | K7, KF1, L5, Q8, T2, Y6 |
<emphasis level="strong"> |
Tingkatkan keamatan pada satu perkataan | L5, Q8, T2, Y6 |
<say-as interpret-as="characters"> |
Eja setiap aksara | Semua |
Penulis kandungan yang menerbitkan perpustakaan OID boleh membenamkan SSML secara terus dalam fail metadata OID. Pen baca menghurai tag pada masa render. SSML membolehkan sebuah buku menggunakan kadar yang lebih perlahan pada halaman berima dan kadar yang lebih pantas pada halaman peralihan, yang meningkatkan skor penglibatan sebanyak 8–14% dalam ujian bilik darjah kami. panduan aliran kerja pengarangan kandungan pen baca merangkumi rantaian alat pengarangan SSML.
12. Interaksi pembesar suara dan mikrofon dengan prosodi
Kawalan prosodi berinteraksi dengan perkakasan pembesar suara dan mikrofon. Menurunkan pic sebanyak 4 semiton mengurangkan tenaga frekuensi tinggi yang diperlukan daripada pembesar suara sebanyak 2–3 dB; menaikkan pic sebanyak 4 semiton meningkatkannya pada jumlah yang sama. Pembesar suara yang berkadar di bawah 1.0 W akan herot pada +6 semiton pada L5, Q8, T2 dan Y6.
Mikrofon kurang penting kerana prosodi ialah ciri output sahaja. Walau bagaimanapun, prosodi mengubah cara rakaman berbunyi semula melalui pembesar suara apabila kanak-kanak menekan "ulang rakaman saya" — dan rakunan yang picnya dialihkan pada kadar 0.6× kedengaran seperti "suara raksasa" kepada kebanyakan kanak-kanak. Tingkah laku lalai pada L5, T2 ialah main balik pada tetapan prosodi yang digunakan untuk jawapan TTS asal, bukan rakaman asal; pembeli OEM boleh menogol ini dalam firmware.
13. Tiga kajian kes OEM daripada saluran prosodi
Kes 1 — Rangkaian tutor UK, 4,200 unit L5, 2025. Rangkaian itu menetapkan prosodi berterusan dengan julat pic ±12 semiton. Selepas pelancaran, guru melaporkan bahawa 22% kanak-kanak berakhir dalam mod "suara raksasa" (pic +30%, kadar 1.4×) dan enggan kembali kepada lalai. Rangkaian itu memesan pratetap 3 kedudukan pada $4,800. Kepuasan pelanggan meningkat daripada 3.6 kepada 4.4 daripada 5. Pengajaran: pratetap mengatasi peluncur berterusan untuk pengguna sekolah rendah.
Kes 2 — Penerbit Vietnam, 6,800 unit Q8, 2026. Penerbit itu menghantar dengan anjakan pic didayakan pada Bahasa Vietnam. Ibu bapa melaporkan bahawa pen itu kadang-kadang menukar makna perkataan dengan mengalihkan nada. OEM melumpuhkan anjakan pic pada bahasa nada sebagai kemas kini firmware percuma, tetapi kesan kepercayaan merugikan penerbit sebanyak 6% dalam pesanan berulang. Pengajaran: sentiasa lumpuhkan anjakan pic pada bahasa nada dalam firmware awal, bukan sebagai pembaikan.
Kes 3 — Penerbit EdTech Brazil, 5,500 unit KF1, 2025. Penerbit menetapkan pic 3 langkah pada taraf kos terendah. Enam bulan selepas pelancaran, tinjauan ibu bapa meminta pic 5 langkah. Penerbit menaik taraf kepada pic berterusan L5 pada delta $0.04 setiap unit. Pengajaran: di pasaran di mana UX pen bacaan difahami dengan baik, jangka ibu bapa akan meminta kawalan prosodi yang lebih halus dalam tempoh 12 bulan selepas pelancaran.