Målgruppe: Denne artikkelen er skrevet for innholdsforlag, eiere av edtech-produkter og innkjøpsteam som vurderer uttrykkskvaliteten til TTS-motoren i en SmartReadingPen OEM/ODM-lesepenn – nærmere bestemt om pennen kan lese en historie med karaktertilpasset følelse, forutsi prosodi fra tegnsetting og diskurssignaler, og tilpasse seg barnets emosjonelle tilstand uten å høres robotaktig ut.
En lesepenn som leser hver setning i samme flate tone, er ubrukelig for syvåringens historielestund. En lesepenn som hvisker i spøkelsesstemme i den skumle delen og jubler ved den glade slutten, er forskjellen mellom et verktøy til 14 dollar og en gave til 34 dollar. Prosodi – musikken i talen – er den desidert største driveren for opplevd TTS-kvalitet i våre interne blindtester, foran stemmestaturlighet og taleforståelighet.
Dette er den tekniske briefen om vår prosodimodelleringspipeline, de 18 emosjonelle stilene vi leverer, SSML-markeringen en utgiver kan bruke for å styre dem, og valideringsprotokollen for klasserommet du bør kjøre før du aksepterer noen leveranse av ODM-lesepenner.
1. Hva prosodi betyr på en lesepenn
Prosodi er kombinasjonen av tre akustiske trekk som ligger oppå fonemrekken:
- Tonehøyde (F0) – grunnfrekvenskonturen, uttrykt i Hz. Barnestemmer ligger i snitt på 250 Hz; voksne kvinner på 200 Hz; voksne menn på 120 Hz.
- Varighet – hvor lenge hvert fonem holdes. Trykksterke stavelser er 30–50 % lengre; pauser ved komma er 150 ms; pauser ved punktum er 400 ms.
- Energi – lydstyrkekonturen, uttrykt i dB. Betoning hever energien med 4–6 dB; hvisking senker energien med 10 dB og hever tonehøyden.
En nevral TTS uten eksplisitt prosodimodellering vil produsere flat, maskinaktig tale. En nevral TTS med prosodimodellering vil produsere tale som puster, betoner og uttrykker følelser.
2. Prosodiforutsigelsespipelinen
Vår referanseprosodiforutsiger er en 4,2 MB Transformer-encoder som kjører før FastSpeech 2-akustikdekoderen. Input er en sekvens av fonemer samt språklige trekk (POS-tagger, diskurssignaler, tegnsetting). Output er en sekvens av (F0, varighet, energi)-tripletter, én per fonem.
| Komponent | Størrelse | Latens (Q8) |
|---|---|---|
| Språklig trekkuttrekker | 1,1 MB | 6 ms |
| Prosodiforutsiger (Transformer) | 4,2 MB | 18 ms |
| Stiltilpasser (per emosjonell stil) | 240 kB × 18 = 4,3 MB | 4 ms |
| FastSpeech 2-akustikdekoder | 9,6 MB | 32 ms |
| HiFi-GAN-vokoder | 4,8 MB | 14 ms |
| Total prosodi+TTS | 24,0 MB | 74 ms per setning |
De 18 emosjonelle stilene er lagret som stiltoken – 240 kB-vektorer innlært under trening på 240 timer med iscenesatt emosjonell tale av 12 stemmeskuespillere. Stilene dekker:
| Stil-ID | Navn | Bruksområde | Tonehøyde-skift | Energi-skift |
|---|---|---|---|---|
| S01 | Nøytral | Standardlesing | 0 % | 0 % |
| S02 | Glad | Feiring, suksess | +8 % | +10 % |
| S03 | Trist | Tap, farvel | −12% | −8% |
| S04 | Entusiastisk | Klimaks i eventyr | +15% | +14% |
| S05 | Hvisking | Hemmelighet, mystikk | +20% | −12% |
| S06 | Redd | Spøkelseshistorie, fare | +18% | −6% |
| S07 | Sint | Skurk, konflikt | −8% | +12% |
| S08 | Søvnig | Leggetid | −18% | −10% |
| S09 | Nysgjerrig | Spørsmål, undring | +6% | +2% |
| S10 | Selvsikker | Kunngjøring | +4% | +8% |
| S11 | Mild | Trøst, vuggesang | −10% | −6% |
| S12 | Leken | Vits, karakter | +12% | +6% |
| S13 | Alvorlig | Nyheter, instruksjon | −4% | 0% |
| S14 | Overrasket | Vri, avsløring | +22% | +10% |
| S15 | Skuffet | Tap, tilbakeslag | −14% | −4% |
| S16 | Oppmuntrende | Tilbakemelding på quiz | +6% | +8% |
| S17 | Autoritativ | Lærermodus | −6% | +4% |
| S18 | Kjærlig | Forelder-til-barn | −8% | −2% |
3. Autodetektering fra tekst
For innhold uten eksplisitt SSML eller per-bok-stilsetting bruker prosodiprediktoren tre automatiske signaler:
- Tegnsetting — utropstegn utløser Excited eller Happy; spørsmålstegn utløser Curious; ellipse utløser Sleepy eller Whisper
- Diskurssignaler — nøkkelord som "suddenly", "quietly", "happily", "angrily" utløser matchende stiler
- Setningsposisjon — den første setningen i et avsnitt er som standard Neutral; den klimaktiske setningen (heuristikk: høyest substantivtetthet) får Excited
Autodetektorens stilmatching-nøyaktighet er 84,2% på et holdout-testsett på 1 200 setninger fra barnebøker, annotert av 6 lingvister. Feilraten på 15,8% er akseptabel for standard lesing; forlag overstyrer via per-bok-JSON for premium fortelleropplevelser.
4. SSML-markering for forlag
Et forlag kan overstyre autodetektoren med SSML-koder innebygd i OID-lydskriptet. Vi støtter W3C SSML 1.1-delsettet samt vår egendefinerte emotion-tag:
<speak>
<s>Den lille kaninen hoppet inn i hagen.</s>
<s><emotion name="whisper">Men noe holdt øye med henne fra skyggene.</emotion></s>
<s><emotion name="scared">«Hvem er der?» hvisket hun.</emotion></s>
<s><emotion name="happy">En vennlig sommerfugl dukket opp!</emotion></s>
</speak>
Den egendefinerte emotion-taggen mappes til en av de 18 stil-tokenene. Et forfatterverktøy for forlag (nettbasert) lar redaktører dra og slippe stiltagger på setninger og forhåndslytte den syntetiserte lyden i sanntid. Forfatterarbeidet er et 4-ukers engasjement med vårt lydteam til $4 800 per bok.
5. Barns emosjonsdeteksjon og adaptiv respons
I 2027-fastvare (Q6/Q8 3.4.0 beta) legger vi til deteksjon av barns emosjoner via en 480 kB on-device-klassifiserer som kjører på MEMS-mikrofon-inngangen under quiz-tilbakemelding. Klassifisereren oppdager 4 emosjonelle tilstander hos barnet:
| Tilstand | Akustisk signatur | Adaptiv respons |
|---|---|---|
| Frustrert | Høyere tonehøyde, raskere talehastighet, uregelmessige pauser | Bytt til Gentle-stemme, langsommere TTS, mindre quiz-bolker |
| Lei | Lavere tonehøyde, langsommere talehastighet, lengre pauser | Bytt til Playful-stemme, vanskeligere quiz, gamifisert tilbakemelding |
| Trygg | Stabil tonehøyde, normal talehastighet | Bytt til Encouraging-stemme, vanskeligere quiz, gå opp nivå |
| Engstelig | Variabel tonehøyde, uregelmessig talehastighet, stemmeskjelv | Bytt til rolig stemme, enklere quiz, tilby hjelp |
Gjenkjenningsnøyaktigheten på et utestengt testsett med 240 barn er 81,4 % (4-delt), med høyest forveksling mellom frustrert og lei (11,2 %). Den adaptive responsen er valgfri for anskaffelser i skoledistrikt fordi enkelte distrikter foretrekker forutsigbar, skriptet tilbakemelding.
6. Stemmepersonaer og karakterstemmer
De 18 emosjonelle stilene kombineres med 8 stemmepersonaer for å skape 144 unike leserstemmer. Personae inkluderer:
| Persona | Alder | Aksent | Grunntoneleie |
|---|---|---|---|
| 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 |
For samarbeid med kjendis-IP eller mediebrands med forlag, lisensierer vi ytterligere stemmepersonaer via vår stemmetalentpool. Tilpasset stemme NRE starter på $18 000 og krever signerte samtykkeskjemaer fra talentet; se etiske grenser for stemmekloning og talertilpasning.
7. MOS-resultater fra blinde lytteprøver
Vi gjennomfører kvartalsvise blinde lytteprøver med 60 lyttere per språkområde (15 barn i alderen 6–12, 15 foreldre, 15 lærere, 15 lingvister). Mean Opinion Score (MOS) er på en 1–5-skala, der 5 = menneskelig paritet.
| Stemmepersona + stil | MOS (en-US) | MOS (zh-CN) | MOS (es-ES) |
|---|---|---|---|
| Barn_F_01 + Nøytral | 4.1 | 4.0 | 4.0 |
| Barn_F_01 + Glad | 4.4 | 4.3 | 4.3 |
| Barn_F_01 + Hvisking | 4.6 | 4.5 | 4.5 |
| Voksen_F_04 + Nøytral | 4.3 | 4.2 | 4.2 |
| Voksen_F_04 + Autoritativ | 4.5 | 4.4 | 4.4 |
| Besteforelder_F_06 + Søvnig | 4.7 | 4.6 | 4.6 |
| Lærer_F_08 + Oppbyggelig | 4.5 | 4.4 | 4.4 |
De høyest scorende kombinasjonene involderer Sleepy- og Whisper-stilene, fordi de krever akustiske egenskaper (pustelyder, lavere energi) som nevrale vocodere gjengir spesielt overbevisende. Den laveste er Neutral, som paradoksalt nok er den vanskeligste å få til å høres naturlig ut – mennesker er aldri helt nøytrale.
8. Ytelse og strømbudsjett
| Element | Verdi |
|---|---|
| Prosodi-prediktor | 4,2 MB |
| Stiladaptere (18 × 240 kB) | 4,3 MB |
| FastSpeech 2 akustisk dekoder | 9,6 MB |
| HiFi-GAN vocoder | 4,8 MB |
| Totalt prosodi- + TTS-minneforbruk | 24,0 MB |
| Latens per setning (Q8) | 74 ms |
| Effekt under syntese (Q8) | 480 mW |
| Kontinuerlig opplesningseffekt (T2 2 500 mAh) | 14 t |
480 mW synteseeffekt kommer i tillegg til de 2,4 mW alltid-på lyttestrømmen og de 9 mW diariseringsstrømmen når aktiv. Det totale systembudsjettet for en typisk opplesningsøkt er ~490 mW.
9. Hva kjøpere må kontrollere
Fem ufravikelige tekniske kontroller for emosjonell TTS:
- MOS-score på innholdet ditt. Krev en blind lyttetest på 30 eksempelsetninger fra boken din, vurdert av 15 lyttere i målmarkedet ditt. Under 4,0 MOS er ikke gavekvalitet.
- Stildekning. Bekreft at alle 18 stiler leveres og kan styres via SSML eller per-bok JSON.
- Stilkonsistens på tvers av setninger. En «Whisper»-setning bør ikke gå over i en «Happy»-setning – lytt etter akustiske grenseartefakter.
- Ventetid under belastning. Mål ende-til-ende-ventetid på en Q8 med samtidig ASR kjørende. Over 200 ms virker pennen treg.
- Barn-emosjonsdeteksjon som opt-in. Bekreft at funksjonen er opt-in for skoleinnkjøp og styrt av foreldrekontroller.
10. Veikart og OEM-tilpasning
Veikartet for 2027 legger til flerspråklig code-switching-prosodi – en enkelt setning som blander engelsk og mandarin («Let's count: yī, èr, sān, four, five») får prosodi per språk. Dette er del av AI-integrasjonens veikart 2024-2026 og kreves for integreringsprogrammer for innvandrere.
OEM-tilpasningsnivåer:
| Nivå | Beskrivelse | NRE | Royalty per enhet |
|---|---|---|---|
| Standard 18 stiler | Alle 8 personaer | $0 | $0 |
| Egendefinert stil | Ny emosjon, f.eks. «episk» eller «komisk» | $8,400 | $0.04 |
| Egendefinert stemmepersona | Ny stemme (tatt opp fra lisensiert talent) | $18,000 | $0.25 |
| Egendefinert karakterstemme | Full karakter med flere stiler | $42,000 | $0.40 |
Relatert lesing
- Leppepenn TTS tekst-til-tale-motor forklart
- Leppepenn flerspråklig TTS-språkpakke
- Leppepenn talehastighet og tonekontroll
- Leppepenn samtale-AI og dialoghåndtering
- Leppepenn brukstilfelle familie godnatthistorie
- Leppepenn brukstilfelle forlag co-brand
11. Fabrikk- og produksjonsbakgrunn for prosodi og emosjonell TTS
Prosodimodellering og emosjonell TTS er de mest lagringskrevende og mest stil-sensitive modulene i SmartReadingPen-fastvarebildet. Vi behandler prosodi-stakken som en førsteklasses produksjonslinje med sin egen akseptport.
Prosodi-innbrenningslinjen kjører 2 HiFi-GAN-valideringsrack, 1 MOS-panel-sløyfe og 1 FastSpeech 2 akustisk dekoder-tester dedikert til de 18 stiladapterne på tvers av alle 11 produksjons-SKU-er (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6). Daglig fastvareflash-gjennomstrømning er 5,800 prosodi-aktiverte penner, med topp på 9,400 penner i Q4-høytidens godnatthistorie-SKU-er. Hver prosodi-aktivert penn valideres mot et 1 200 ytringer × 18 stiler MOS-gradert akseptsett før bin-utslipp. Akseptporten kombinerer fire signaler: prosodi-prediktor SHA-samsvar (4,2 MB), stiladapterbank SHA-samsvar (4,3 MB på tvers av 18 × 240 kB), FastSpeech 2 akustisk dekoder SHA-samsvar (9,6 MB) og HiFi-GAN vocoder SHA-samsvar (4,8 MB).
Prosodi-AQL er AQL II = 1,5 for det akustiske dekoder-skrivingstrinnet (den største enkeltblobben) og AQL II = 1,0 for stiladapterbanken. Gjennomstrømning per SKU på prosodi-aktiverte linjer:
| SKU | Daglig kapasitet (penner) | Stiladaptere sendt | Leveringstid (dager) |
|---|---|---|---|
| T2 (godnatthistorie-flaggskip) | 1 400 | 18 (full) | 38 |
| Y6 (yoga-pen-formfaktor) | 1 100 | 18 (full) | 40 |
| Q8 (4-tommers OCR + prosodi) | 1 000 | 18 (full) | 36 |
| P2 (forlags-mediemerkevare) | 800 | 18 (full + tilpasset stil) | 48 |
| L5 (bibliotekutgave) | 400 | 14 (delsett) | 52 |
| F8 (fjernfelt aktivert) | 400 | 12 (delsett) | 44 |
| K7 (barnemodus) | 500 | 8 (delsett) | 32 |
| KF1 (kompakt) | 200 | 6 (delsett) | 30 |
| B1 / B2 / Q6 | balanse | per ordre | 28–34 |
Gjennomsnittlig leveringstid på tvers av de prosodi-aktiverte SKU-ene er 38,4 dager; P2- og L5-SKU-ene for forlagssammerkevare har lengre tid på grunn av trening og injeksjon av tilpasset stiladapter på burn-in-stativet.
12. Sertifisering, lokalisering og samsvar for lydutgang
Vår prosodi- og emosjonelle TTS-pakke leveres med dokumentasjon egnet for aktsomhetsvurderinger for barnes lydprodukter, innkjøp til undervisningsdepartementet og importørers samsvarsrevisjoner:
| Sertifisering / standard | Dekning relevant for prosodi / emosjonell TTS |
|---|---|
| CE (EN 55032 / EN 55035) | EMC for lydutgang for den innebygde høyttaleren |
| FCC del 15 | RF-utslipp, ingen påvirkning på prosodistakken |
| UKCA | Britisk forhandler, en-GB-stiladapter sendt som standard |
| EN71-1/2/3 | Fysisk / toksikologi, ingen prosodipåvirkning |
| ASTM F963 | Amerikansk leketøysikkerhet, grenser for lydnivå overholdt |
| RoHS 2.0 / REACH | Materialer, ingen prosodipåvirkning |
| IEC 62368-1 | Sikkerhet for AV/ICT-utstyr, dekker høyttalerutgang |
| PSE (Japan) | Japan-forhandler, ja-JP-style adapter kreves |
| KC (Korea) | Korea-forhandler, ko-KR-style adapter kreves |
| GCC (Gulf) | Gulf-forhandler, ar-SA-style adapter kreves |
| SFDA / ESMA | Saudi /UAE, ar-SA-pakke + lokalstilpassede merknader |
| TIS (Thailand) | th-TH-style adapter på forespørsel (planlagt) |
| NOM (Mexico) | es-MX-style adapter sendes |
| RCM (Australia/NZ) | en-AU-style adapter sendes |
| NRCS (South Africa) | en-ZA-style adapter sendes |
| INMETRO (Brazil) | pt-BR-style adapter sendes |
| GDPR art. 5 / 9 / 32 | Ingen stemmedata lagres fra prosodisyntese |
| COPPA / FERPA | Kun barneinnhold, ingen atferdsprofilering |
| ISO 9001:2015 | Fabrikkens KSS, dekker firmwareflash AQL |
| ISO 13485 (P2 medisinsk) | Lese penn som læringshjelpemiddel, ikke medisinsk utstyr |
Prosodistakken er en ren innebygd inferensmotor. Ingen lyd-rundtur går til skyen under syntese, noe som forenkler dokumentasjonen av dataflyt over landegrenser for anbudskonkurranser innen utdanning i EU, Storbritannia, USA, KSA og UAE.
13. OEM/ODM-priser og SKU-avveininger
En SmartReadingPen OEM/ODM-kjøper som planlegger å levere prosodi/emotionell TTS kan forvente følgende prismønster. Prisene er FOB Shenzhen for en MOQ på 1 000 enheter og ekskluderer selve enhetsmaskinvaren.
| Vare | NRE | Royalty per enhet | MOQ |
|---|---|---|---|
| Standard 8 stiler, 6 språk | $0 | $0 | 1 000 |
| Full adapterbank med 18 stiler | $3 800 | $0,14 | 1 000 |
| Tilpasset stiladapter (1 merkevarestemme) | $6 400 | $0,06 | 1 000 |
| Tilpasset stilbank (4 merkevarestemmer) | $18 000 | $0,20 | 2 000 |
| Lokale stiler tillegg (1 nytt språk, 18 stiler) | $4 200 | $0,08 | 1 000 |
| Nevral prosodi tillegg (kun Q8, T2, Y6) | $9 600 | $0,12 | 2 000 |
| Full 18-stil × 12-språk-pakke | $11 400 | $0,32 | 2 000 |
Et regionalt merke som selger i ett land bør planlegge for NRE $3 800–$6 400 + per-enhet royalty $0,06–$0,14 for den standard 18-stil adapterbanken. En multinasjonal forlegger som leverer til 6+ markeder med egne merkevarestemmer bør forvente NRE $18 000 + per-enhet royalty $0,20 ved 2 000-enheters MOQ, som faller til $0,14 ved 10 000-enheters MOQ. Betalingsbetingelsene er 30 % T/T-innskudd, 70 % mot B/L-kopi; ugjenkallelig L/C ved sikte aksepteres for bestillinger ≥ $200 000.
14. Interne valideringsmålinger og tekniske hovedpunkter
På tvers av 38 400 prosodi-aktiverte penner sendt mellom 2024-08 og 2026-08 (T2 11 800 / Y6 8 200 / Q8 7 400 / P2 4 800 / L5 1 600 / F8 1 400 / K7 1 800 / KF1 1 400), viser vår interne MOS-panel-telemetri:
| Måltall | 2024 | 2025 | 2026 (8 md.) |
|---|---|---|---|
| Gjennomsnittlig MOS (alle 18 stiler, 12 markeder) | 3,94 | 4,12 | 4,27 |
| Stilkonsistens (søsken-MOS σ) | 0,42 | 0,36 | 0,31 |
| Latens p95 per setning (Q8) | 88 ms | 80 ms | 74 ms |
| Vedtak av egne stiler (P2 / L5) | 6 forleggere | 14 forleggere | 22 forleggere |
| Neural prosodi opt-in SKU-er | 0 | T2-pilot | T2, Y6, Q8 |
Tekniske hovedpunkter for OEM/ODM-kjøpere som vurderer prosodi og emosjonell TTS:
- Stiladapterbank er obligatorisk for prosodi i detaljhandelsklasse — en penn som leveres med kun de 8 standardstilene høres flat ut sammenlignet med 18-stil banken. Bekreft at hele banken er på BOM-en før du signerer.
- Egne merkevarestemmer er en egen budsjettpost — en enkelt merkevarestemme koster $6 400 i NRE pluss 6 ukers trening. Budsjetter deretter for enhver sammerket karakter.
- Latensbudsjettet krymper raskt på mindre SKU-er — K7, KF1, B1 treffer veggen ved ~110 ms p95; kun Q8, T2, Y6 når 74 ms-målet. Planlegg SKU-nivå deretter.
- Markedsdekning er den stille fallgruven — en 12-markedspakke til $11 400 NRE er billigere enn 12 enkeltmarkeds-tillegg. Be alltid om pakketilbudet.
- MOS-panelet er det eneste ærlige signalet — SSML-taggene ser korrekte ut, men låter feil. Insister på per-stil MOS på et 30-uttrykk akseptansesett per marked.
For kjøpere som er klare til å sende prosodi / emosjonell TTS på tvers av 4+ markeder eller å onboarde en egen merkevarestemme, be om et tilbud med målmarkedlisten, eksempelinnholdsett, mål-SKU og eventuelle referanseklypp for merkevarestemme. Vårt prosoditeam returnerer en NRE-oppdeling, en rapport over adapterbankens fotavtrykk og en MOS-panel-plan innen 3 virkedager.