คุณต้องการเสียงอันเป็นเอกลักษณ์ที่สดใส สังเคราะห์แต่ไพเราะแบบ Hatsune Miku ในวิดีโอ เพลง หรือสตรีมครั้งต่อไปของคุณ — แต่คุณไม่ได้เป็นเจ้าของ Vocaloid voicebank ราคา 200 ดอลลาร์ คุณไม่เคยเรียงลำดับหน่วยเสียง (phoneme) มาก่อนในชีวิต และคลิปที่มีลิขสิทธิ์ล่วงหน้า
เทค 17 การเลียนแบบมอร์แกน ฟรีแมน ใกล้เคียงมาก — จังหวะมีอยู่ สำเนียงมิสซิสซิปปี้เกือบจะเชื่อได้ — แต่ความสำคัญหายไป ผู้ฟังของคุณพูดว่า "เกือบ" ซึ่งในงานเสียงนั้นเป็นคำเดียวกับ "ไม่" คุณลบเทคนั้น คุณลองอีกครั้ง สี่สิบนาทีต่อมาคุณไม่มีอะไรที่ใช้ได้สำหรับ YouTube
"การสอดประสานเสียงเสร็จสิ้นโดยเครื่องมือ AI"
คุณเปิด Waze เมื่อเช้านี้ ได้ยินเสียงค่าเริ่มต้นเดียวกันที่คุณได้ยินมาเป็นเวลาสามปี และสงสัยว่าคุณสามารถแลกเปลี่ยนมันด้วยสิ่งที่ดีกว่า — อาจจะเป็นเสียงของคุณเอง อาจจะเป็นคนดังที่ถูกโคลน อาจจะเป็นสำเนียงที่ไม่ระคายถึงไมล์ที่สิบสอง การค้นหา waze voice packs ส่งค
คุณได้ดูนักแสดงเสียงชาญฉลาดทำการเลียนเสียงเซเลบริตี้ให้สำเร็จในสามวินาทีแบบเหลวไหล — เสียง ท่าทาง ลักษณะสระแปลก ทั้งหมด — และคุณสงสัยว่าพวกเขาได้ยินอะไรที่คุณไม่ได้ยิน ช่องว่างนี้ไม่ใช่พรสวรรค์ มันคือการวินิจฉัย นักเลียนเสียงที่ทำงานไม่พยายามคัดลอกเสียงที่พวกเ
คุณกำลังเลื่อนดูไลบรารีที่มีเสียง AI กว่า 300+ เสียง หรือตรวจสอบการแสดงครั้งที่เจ็ดของการบรรยายเนื้อหาด้านการปฏิบัติตามกฎหมาย หรือนั่งอยู่ในเธรด Slack ที่ผู้นำการตลาดของคุณยืนยันว่าเสียงแบรนด์ควร "อบอุ่น" มากขึ้นในขณะที่ผู้สร้างสรรค์ของคุณกล่าวว่า "มืออาชีพมาก
คุณมีการพูดภาษา 30 วินาทีหรือสุกรสำหรับประโยคที่ต้องการเสียงสังเคราะห์อันลงตัว — ประเภทที่ฟังดูเหมือน Hatsune Miku แต่คุณไม่ได้เป็นเจ้าของ Vocaloid 6 (~$225 retail) ไม่อยากดิ้นรนกับการปรับแต่ง phoneme ทีละอัน และเส้นตายคือคืนนี้ ข่าวดีคือ: ไปป์ไลน์เฉพาะ Vocalo
คุณสร้างแอปที่ผู้ใช้ชอบ — แต่คำขอฟีเจอร์ยังคงเข้ามา: "ฉันพูดแทนการพิมพ์ได้ไหม" จึงเริ่มประเมิน Speech to Text API ภายในชั่วโมงแรก คุณพบอย่างน้อยสี่แบบจำนวนเงินที่ขัดแย้งกัน การอ้างสิทธิ์ความแม่นยำที่แกว่งไปมาจาก "95%" ถึง "99%+" โดยไม่มีคำจำกัดความร่วมกันของสิ
ลองนึกถึงสิ่งนี้: ช่อง YouTube ของคุณเพิ่งข้าม 80,000 ผู้ติดตามในภาษาอังกฤษ การวิเคราะห์แสดงว่า 23% ของแหล่งข้อมูลของคุณมาจากประเทศที่ไม่ใช่ผู้พูดภาษาอังกฤษที่พยายามดูผ่านคำบรรยายที่แปลอัตโนมัติ คุณได้คำนวณจากการจ้างนักแปลและนักแสดงเสียงมนุษย์ — $500 ถึง $2,00