อธิบาย API Text-to-Speech ของ Roblox

หากคุณพัฒนาบน Roblox วิธีที่เร็วที่สุดในการทำให้ตัวละครพูดได้คือการใช้ตัวสร้างเสียงพูดของ Roblox เอง นั่นคือ roblox text to speech api ที่เปลี่ยนข้อความสั้น ๆ ให้กลายเป็นเสียงพูดได้โดยตรงภายในประสบการณ์ของคุณ มันทำงานบนออบเจกต์ดั้งเดิมที่เรียกว่า AudioTextToSpeech และการตัดสินใจที่แท้จริงไม่ใช่ว่ามันใช้งานได้หรือไม่ แต่เป็นเรื่องที่ว่าคุณต้องการให้เสียงพูดทำงานอย่างไร ควรสร้างบทพูดแบบสด ๆ ขณะที่เกมกำลังทำงาน โดยตอบสนองต่อสิ่งที่ผู้เล่นเพิ่งทำไปหรือไม่? หรือควรจะอบบทสนทนาไว้ล่วงหน้าเป็นแอสเซ็ตเสียงที่นำกลับมาใช้ซ้ำได้? ทางเลือกเพียงอย่างเดียวนี้กำหนดทั้งขีดจำกัดจำนวนตัวอักษรของคุณ ความรับผิดชอบด้านการกลั่นกรองเนื้อหา และว่าเครื่องมือในตัวของ Roblox เป็นที่อยู่ที่เหมาะสมสำหรับเสียงนั้นหรือไม่เลย

คู่มือนี้จะพาคุณไปดูว่า API นี้คืออะไรจริง ๆ มันเชื่อมต่อกับกราฟเสียงของ Roblox อย่างไร เส้นทางการสร้างสองแบบที่คุณมีให้เลือก และการตรวจสอบเชิงปฏิบัติที่บอกคุณว่าเมื่อไหร่ควรอยู่ในระบบ Roblox และเมื่อไหร่ที่เวิร์กโฟลว์เสียงเฉพาะทางจะเหมาะกับคุณมากกว่า

สารบัญ

Roblox text to speech API คืออะไรจริง ๆ

Roblox text to speech API คือความสามารถดั้งเดิมของ Roblox สำหรับการสร้างเสียงพูดภายในประสบการณ์ สคริปต์จะส่งข้อความไปยังออบเจกต์ AudioTextToSpeech ซึ่งจะแปลงข้อความนั้นเป็นเสียงพูด คุณเลือกเสียงที่ตั้งค่าไว้ล่วงหน้าและสามารถปรับคุณสมบัติต่าง ๆ เช่น ระดับเสียงและความเร็วได้ จากนั้นจึงส่งผลลัพธ์ไปยังระบบเสียงของประสบการณ์เพื่อให้ผู้เล่นได้ยิน

มีรายละเอียดสองประการที่สำคัญทันที ประการแรก แต่ละคำขอถูกจำกัดไว้ที่ 300 ตัวอักษร ซึ่งกำหนดกรอบให้เครื่องมือทั้งหมดนี้เป็นระบบสำหรับบทพูดสั้น ๆ ที่ตอบสนอง มากกว่าการบรรยายยาว ๆ ประการที่สอง เสียงเป็นแบบตั้งค่าไว้ล่วงหน้า ไม่ใช่คลังเสียงที่ปรับแต่งได้ Roblox แสดงรายการเสียงในภาษาอังกฤษหลากหลายรูปแบบ รวมถึงแบบบริติช อเมริกัน ออสเตรเลีย และสไตล์เรโทร รวมถึงภาษาสเปน เยอรมัน อิตาลี ฝรั่งเศส จีนกลาง ฮินดี ญี่ปุ่น อาหรับ เกาหลี และโปรตุเกส โดยมีตัวเลือกเสียงชายและหญิงสำหรับหลายภาษาเหล่านั้น

สิ่งนี้ทำให้ AudioTextToSpeech เป็นเครื่องมือสำหรับบทสนทนาภายในโลกเกม เช่น การทักทายของ NPC สัญญาณการเล่นเกม หรือข้อความแจ้งเตือนที่เปลี่ยนไปตามบริบท มันไม่ได้ถูกออกแบบมาเป็นบริการพากย์เสียงอเนกประสงค์ และการมองมันในมุมนั้นคือจุดที่ความหงุดหงิดในการผสานรวมส่วนใหญ่เริ่มต้นขึ้น

เสียงพูดไปถึงหูของผู้เล่นได้อย่างไร

การสร้างเสียงพูดเป็นเพียงครึ่งหนึ่งของงาน เสียงจะต้องถูกเชื่อมต่อเข้ากับกราฟเสียงของ Roblox ก่อนที่ใครจะได้ยินมัน เส้นทางการเชื่อมต่อขึ้นอยู่กับว่าคุณต้องการเสียงแบบแบนหรือเสียงเชิงตำแหน่ง

สำหรับเสียง 2 มิติ คุณเชื่อมต่อออบเจกต์ AudioTextToSpeech เข้ากับ AudioDeviceOutput โดยใช้ Wire เสียงพูดจะเล่นเป็นเอาต์พุตทั่วไป เช่นเดียวกับเสียง UI หรือสัญญาณพื้นหลัง

สำหรับเสียง 3 มิติหรือเชิงตำแหน่ง เอาต์พุตจะถูกส่งผ่านตัวปล่อยเสียง (emitter) และตัวรับฟัง (listener) แทน ซึ่งจะวางเสียงไว้ที่จุดเฉพาะในโลกของเกม ดังนั้นบทพูดของชาวบ้านจะฟังดูเหมือนมาจากชาวบ้านมากกว่ามาจากทุกที่พร้อมกัน สำหรับประสบการณ์แบบโต้ตอบ การกำหนดเส้นทางเชิงตำแหน่งมักเป็นสิ่งที่ทำให้บทสนทนารู้สึกเป็นของตัวละครจริง ๆ

เนื่องจากเสียงพูดถูกสร้างขึ้นตามความต้องการ ปริมาณคำขอจึงกลายเป็นข้อจำกัดด้านการออกแบบ ไม่ใช่สิ่งที่คิดทีหลัง Roblox ปรับขนาดโควตาตามว่าประสบการณ์ของคุณคึกคักแค่ไหน เพดานที่เผยแพร่คือ 1 + (6 × ผู้ใช้ที่ใช้งานพร้อมกัน) คำขอสูงสุดต่อนาทีต่อประสบการณ์ ล็อบบี้ที่เงียบจะมีพื้นที่เหลือน้อยมาก ส่วนเซิร์ฟเวอร์ที่เต็มจะมีมากกว่ามาก หากบทพูดสามารถถูกกระตุ้นได้โดยผู้เล่นทุกคนพร้อมกัน คุณต้องวางแผนสำหรับช่วงพีคเหล่านั้นแทนที่จะคิดว่าคำขอจะผ่านไปได้เสมอ

เสียงพูดแบบเรียลไทม์หรือแอสเซ็ตเสียงที่บันทึกไว้?

Roblox ให้เส้นทางสองแบบแก่คุณ และการเลือกแบบที่ถูกต้องคือการตัดสินใจหลักของหัวข้อทั้งหมดนี้

• AudioTextToSpeech สร้างเสียงพูดสำหรับการเล่นแบบสด เลือกใช้เมื่อบทพูดต้องตอบสนองต่อการเล่นเกมหรือเปลี่ยนไปตามบริบท เช่น การตอบกลับสั้น ๆ ของ NPC ที่เชื่อมโยงกับสิ่งที่ผู้เล่นเพิ่งทำ
• GenerateSpeechAsset สร้างเสียงพูดเป็นแอสเซ็ตเสียงที่บันทึกไว้ เลือกใช้เมื่อคุณต้องการบทสนทนาหรือการบรรยายที่สร้างขึ้นและเก็บไว้เพื่อนำกลับมาใช้ซ้ำ โปรดทราบว่าการสร้างแอสเซ็ตจะถูกนับรวมในโควตาการอัปโหลดเสียงที่มีอยู่ของประสบการณ์คุณ ดังนั้นจึงดึงมาจากงบประมาณเดียวกันกับเสียงอื่น ๆ ที่อัปโหลด

ความแตกต่างไม่ได้มีแค่เรื่องจังหวะเวลา Roblox กรองทั้งข้อความและเอาต์พุตเสียงเพื่อความสอดคล้องกับข้อกำหนด และความรับผิดชอบด้านการกลั่นกรองจะเปลี่ยนไปตามเส้นทางที่คุณเลือก สำหรับแอสเซ็ตเสียงพูดที่บันทึกไว้ Roblox ระบุว่าอาจมีการดำเนินการกลั่นกรองต่อบัญชีที่เป็นเจ้าของแอสเซ็ตนั้น ในทางปฏิบัติ หมายความว่าแอสเซ็ตที่นำกลับมาใช้ซ้ำที่คุณสร้างขึ้นมีความรับผิดชอบต่อเนื่องในแบบที่บทพูดสดชั่วคราวไม่มี ซึ่งเป็นสิ่งที่ควรพิจารณาก่อนที่คุณจะอบบทสนทนาเป็นแอสเซ็ตถาวร

วิธีตัดสินใจง่าย ๆ คือ หากบทพูดมีความหมายเฉพาะในช่วงเวลานั้น ให้สร้างมันแบบสด หากคุณต้องการได้ยินคลิปเดียวกันทุกประการอีกครั้ง ให้ปฏิบัติกับมันเป็นแอสเซ็ตและยอมรับผลกระทบด้านโควตาและการกลั่นกรองที่ตามมา

การตรวจสอบที่ตัดสินว่า Roblox TTS เหมาะสมหรือไม่

ก่อนที่คุณจะมอบฟีเจอร์ให้กับ API ในตัว ให้นำมันไปตรวจสอบกับข้อจำกัดเชิงปฏิบัติสี่ประการ

จับคู่งานกับขีดจำกัด 300 ตัวอักษร บทพูดสั้นพอดีอย่างสบาย ๆ ส่วนการบรรยายยาวไม่พอดี อะไรที่มีเนื้อหามากต้องถูกแบ่งออกเป็นหลายคำขอหรือย้ายไปยังเวิร์กโฟลว์ที่สร้างขึ้นรอบ ๆ เสียงที่เตรียมไว้ หากสคริปต์ของคุณอ่านเหมือนบทพูดคนเดียว ออบเจกต์ในตัวกำลังต่อสู้กับคุณ

ตรวจสอบความครอบคลุมของเสียงกับผู้เล่นของคุณ Roblox มีเสียงตั้งค่าไว้ล่วงหน้า ไม่ใช่คลังเสียงที่ปรับแต่งได้แบบกว้างขวาง ภาษาที่แสดงรายการครอบคลุมได้มาก แต่คุณยังต้องมีเสียงที่เข้ากับภาษาของผู้เล่นและมาตรฐานคุณภาพที่ประสบการณ์ของคุณกำหนด หากผู้ชมของคุณคาดหวังสำเนียงเฉพาะหรือผู้บรรยายที่เป็นแบรนด์ เสียงตั้งค่าไว้ล่วงหน้าอาจไม่เพียงพอ

วางแผนสำหรับช่วงพีคและการกลั่นกรองไปพร้อมกัน ฟีเจอร์ที่สร้างเสียงพูดบ่อยครั้ง โดยเฉพาะฟีเจอร์ที่ผู้เล่นหลายคนสามารถกระตุ้นพร้อมกันได้ ต้องเคารพเพดานคำขอต่อประสบการณ์ รักษาให้ทุกสตริงที่สร้างขึ้นอยู่ภายในมาตรฐานชุมชนและข้อกำหนดการใช้งานของ Roblox เนื่องจากทั้งข้อความอินพุตและเอาต์พุตเสียงจะถูกกรอง

ตัดสินใจว่าเสียงพูดควรอยู่ที่ไหนจริง ๆ บทพูดภายในโลกเกมที่สั้นและโต้ตอบได้คือสิ่งที่ออบเจกต์ดั้งเดิมมีไว้สำหรับโดยเฉพาะ การบรรยายที่บันทึกไว้ ตัวอย่างภาพยนตร์ คลิปการตลาด หรือแอสเซ็ตสื่อที่ผลิตนอกเกมเป็นงานที่แตกต่าง และการฝืนให้มันผ่าน AudioTextToSpeech มักหมายถึงการต่อสู้กับทั้งขีดจำกัดจำนวนตัวอักษรและรายการเสียงที่ตั้งค่าไว้ล่วงหน้าไปพร้อมกัน

เมื่อไหร่ที่เวิร์กโฟลว์ TTS ภายนอกเหมาะสมกว่า

API ในตัวคือคำตอบโดยตรงสำหรับบทพูดในเกมแบบโต้ตอบ มันจะเริ่มตึงเครียดเมื่อโปรเจกต์ต้องการตัวเลือกเสียงที่กว้างขึ้น ผู้บรรยายที่ปรับแต่งหรือโคลน หรือเสียงที่พร้อมใช้งานระดับการผลิตซึ่งอยู่นอกเหนือข้อความแจ้งเตือนสั้น ๆ ในเกม เช่น ตัวอย่างเปิดตัว วิดีโอสอน หรือการตลาดหลายภาษารอบ ๆ ประสบการณ์ของคุณ

นั่นคือช่องว่างที่เราเติมเต็มที่ DubSmart AI Text to Speech API ของเราเสนอเสียงกว่า 300 เสียงในหลายภาษาและสำเนียง และหากคุณต้องการผู้บรรยายที่มีเอกลักษณ์แทนที่จะเป็นเสียงตั้งค่าไว้ล่วงหน้า Voice Cloning API ของเราสร้างเสียงที่ปรับแต่งและนำกลับมาใช้ซ้ำได้จากตัวอย่างเสียงสั้น ๆ สำหรับการแปลวิดีโอแบบครบวงจร AI Dubbing API ของเราแปลและพากย์เสียงฟุตเทจเป็นกว่า 33 ภาษาพร้อมการโคลนเสียง ซึ่งมีประโยชน์เมื่อคุณกำลังโปรโมตประสบการณ์ Roblox ให้กับผู้เล่นที่ไม่ได้ใช้ภาษาเดียวกับคุณ

เพื่อให้ชัดเจนเกี่ยวกับขอบเขต นี่คือเวิร์กโฟลว์การผลิตแยกต่างหากสำหรับสื่อที่คุณสร้างขึ้นรอบ ๆ เกมของคุณ ไม่ใช่ตัวแทนแบบแทนที่ได้ทันทีสำหรับออบเจกต์ภายในประสบการณ์ของ Roblox บริการสาธารณะของเราไม่ได้สร้างการผสานรวมกับ Roblox โดยตรง ดังนั้นให้ปฏิบัติกับมันเป็นเครื่องมือสำหรับการบรรยาย ตัวอย่างภาพยนตร์ และการโปรโมตแบบปรับให้เข้ากับท้องถิ่น มากกว่าสำหรับบทสนทนา NPC แบบสด หากคุณยังใหม่กับวิธีการทำงานเบื้องหลังของบริการเหล่านี้ บทความอธิบายของเราเกี่ยวกับว่า text to speech API คืออะไรครอบคลุมไปป์ไลน์การสังเคราะห์ในแบบที่เข้าใจง่าย

การแบ่งเชิงปฏิบัตินั้นชัดเจน เก็บเสียงพูดที่ตอบสนองและอยู่ในโลกเกมไว้ภายใน Roblox ซึ่งเอนจิน กราฟเสียง และโมเดลการกลั่นกรองถูกสร้างขึ้นมาเพื่อสิ่งนั้น ย้ายตัวอย่างภาพยนตร์ วิดีโอสอน และการโปรโมตหลายภาษาไปยังเวิร์กโฟลว์เสียงเฉพาะทางที่ขีดจำกัดจำนวนตัวอักษรและเสียงตั้งค่าไว้ล่วงหน้าจะไม่จำกัดคุณอีกต่อไป

คำถามที่พบบ่อย

Roblox TTS เหมือนกับแชทเสียงของผู้เล่นหรือไม่?

ไม่ Roblox TTS สร้างเสียงพูดเทียมจากข้อความที่คุณให้มา ส่วน Voice Chat เป็นฟีเจอร์แยกต่างหากสำหรับการสื่อสารด้วยเสียงแบบเรียลไทม์ระหว่างผู้เล่น โดยมีข้อกำหนดด้านคุณสมบัติและประสบการณ์ของตัวเอง

Roblox TTS สามารถสร้างบทสนทนายาวในคำขอเดียวได้หรือไม่?

ไม่ ขีดจำกัดที่ระบุไว้คือ 300 ตัวอักษรต่อคำขอ บทสนทนาที่ยาวกว่านั้นต้องถูกแบ่งออกเป็นคำขอที่สั้นลงหรือเตรียมผ่านเวิร์กโฟลว์อื่น

ฉันสามารถใช้เสียงโคลนที่ปรับแต่งกับ TTS ในตัวของ Roblox ได้หรือไม่?

รายการเสียง TTS ที่ระบุไว้ในเอกสารของ Roblox ประกอบด้วย ID เสียงที่ตั้งค่าไว้ล่วงหน้า เอกสารไม่ได้อธิบายถึงการนำเข้าเสียงโคลนที่ปรับแต่งเข้าสู่ AudioTextToSpeech ดังนั้นผู้บรรยายที่เป็นแบรนด์หรือโคลนจึงควรอยู่ในเวิร์กโฟลว์การผลิตแยกต่างหาก

ประสบการณ์ของฉันสามารถส่งคำขอ TTS ได้กี่ครั้ง?

Roblox ปรับขนาดเพดานตามกิจกรรม สูงสุด 1 + (6 × ผู้ใช้ที่ใช้งานพร้อมกัน) คำขอต่อนาทีต่อประสบการณ์ ฟีเจอร์ที่ผู้เล่นหลายคนสามารถกระตุ้นพร้อมกันได้ต้องถูกออกแบบรอบ ๆ ขีดจำกัดนั้น

เมื่อไหร่ที่ฉันควรใช้ TTS API ภายนอกแทน?

พิจารณาใช้เมื่อคุณต้องการตัวเลือกเสียงที่กว้างขึ้น เวิร์กโฟลว์เสียงที่ปรับแต่ง หรือการบรรยายที่พร้อมใช้งานระดับการผลิตนอกเหนือจากบทพูดสั้น ๆ ในเกม Text to Speech API ของเราเป็นหนึ่งในตัวเลือกดังกล่าวสำหรับสื่อที่สร้างขึ้นรอบ ๆ เกมของคุณ ไม่ใช่การผสานรวมกับ Roblox โดยตรง