ตัวอธิบายเสียง: คำศัพท์กว่า 50 คำเพื่ออธิบายเสียง AI และเสียงมนุษย์
คุณกำลังเลื่อนดูไลบรารีที่มีเสียง AI กว่า 300+ เสียง หรือตรวจสอบการแสดงครั้งที่เจ็ดของการบรรยายเนื้อหาด้านการปฏิบัติตามกฎหมาย หรือนั่งอยู่ในเธรด Slack ที่ผู้นำการตลาดของคุณยืนยันว่าเสียงแบรนด์ควร "อบอุ่น" มากขึ้นในขณะที่ผู้สร้างสรรค์ของคุณกล่าวว่า "มืออาชีพมากขึ้น" ไม่มีใครได้ยินว่าใครหมายถึงอะไร โครงการจึงหยุดนิ่ง — ไม่ใช่เพราะเสียงผิดพลาด แต่เพราะว่า ตัวอธิบายเสียง ที่มีอยู่นั้นไม่ตรงกัน ไม่ชัดเจน และทำงานต่างกันสำหรับคนต่างคนในทีมเดียวกัน
นี่คือการรั่วไหลของเวลาการผลิตที่พบบ่อยที่สุดในเนื้อหาที่นำโดยเสียง และสามารถแก้ไขได้อย่างสมบูรณ์ด้วยคำศัพท์ที่ใช้ร่วมกัน
สารบัญ
- เหตุใดการพูดว่า "ฟังดูไม่ถูกต้อง" จึงเสียเวลาการผลิตของคุณ
- มิติอิสระห้าประการของการอธิบายเสียง
- ตัวอธิบายเสียง 50+ ที่จับคู่กับประเภทเนื้อหาและผู้ชม
- วิธีการตรวจสอบเสียงตามตัวอธิบาย — กระบวนการห้าขั้นตอน
- ตัวอธิบายห้าตัวที่ทำให้ทุกคนเข้าใจผิด — และสิ่งที่ควรพูดแทน
- บริฟตัวอธิบายเสียงของคุณ — เทมเพลตเติมด้วยตัวอย่างที่ใช้ได้
- คำถามที่พบบ่อย
เหตุใดการพูดว่า "ฟังดูไม่ถูกต้อง" จึงเสียเวลาการผลิตของคุณ
สามสถานการณ์ มีสาเหตุรากเดียวกัน ผู้สร้างสรรค์ YouTube เปิดแคตตาล็อกเสียงที่มีตัวเลือกหลายร้อยตัวและสุ่มตัวอย่างเป็นเวลาสี่สิบนาทีก่อนจะยอมแพ้ ผู้สร้างสรรค์หลักสูตรออนไลน์ปฏิเสธการบันทึกแต่ละครั้งของโมดูลความปลอดภัยเพราะแต่ละครั้งอยู่ "ใกล้เคียง แต่ไม่ค่อยเหมาะ" ทีมการตลาดใช้เวลาหนึ่งชั่วโมงในการอภิปรายว่าเสียงแบรนด์สำหรับการเปิดตัวผลิตภัณฑ์ใหม่นั้น "อบอุ่นพอหรือไม่" ทุกคอขวดเหล่านั้นเป็นความล้มเหลวด้านคำศัพท์ที่แต่งแต้มเป็นปัญหาด้านรสนิยม
วิทยาศาสตร์การรู้คิดชัดเจน งานวิจัยโดย McAleer และเพื่อน ๆ ใน PNAS พบว่าผู้ฟังสร้างการตัดสินใจที่มั่นคงเกี่ยวกับความน่าเชื่อถือ ความเด่นระดับของปัญญา และลักษณะทางสังคมอื่น ๆ จาก น้อยกว่าหนึ่งวินาที ของการพูด และการตัดสินใจเหล่านั้นมีความสอดคล้องกันสูงในหมู่ผู้ฟัง ผู้คนได้ยินคุณลักษณะของเสียงอย่างแม่นยำ สิ่งที่พวกเขาต่อสู้คือการตั้งชื่อสิ่งที่พวกเขาได้ยินอย่างดีพอที่จะให้คนอื่นดำเนินการต่อ
ผู้ฟังสร้างความคิดเห็นที่มั่นใจเกี่ยวกับเสียงในเวลาน้อยกว่าหนึ่งวินาที — คอขวดไม่ใช่การรับรู้ แต่คำศัพท์เพื่ออธิบายสิ่งที่พวกเขาได้ยิน
วิทยาศาสตร์เสียงสนับสนุนสิ่งนี้ที่ระดับการรับรู้ Kreiman และ Sidtis ใน Foundations of Voice Studies (Wiley-Blackwell, 2012) แสดงให้เห็นว่าผู้ฟังรับรู้ระดับเสียง ความดัง ความหยาบคาย ความหอบ และอัตราจังหวะแยกกันเป็น มิติอิสระ — ซึ่งหมายความว่าตัวอธิบายเป็นการสร้างสรรค์ไม่ใช่แบบโฮลิสติก เสียงสามารถอบอุ่นและรวดเร็ว เย็นและเรียบ คมชัดและลึกซึ้ง การปฏิบัติต่อ "อบอุ่น" ว่าเป็นเพียงตัวควบคุมเดียวที่ครอบคลุมทั้งหมดเป็นแหล่งที่มาของข้อโต้แย้งครึ่งหนึ่งในห้องแคสต์
ต้นทุนการผลิตเป็นรูปธรรม คู่มือวิทยาศาสตร์เสียงที่เผยแพร่ใน Backstage และ Voices Magazine อธิบายวัฏจักรการแคสต์มาตรฐาน: สคริปต์ออดิชั่น 15–30 วินาที การบันทึก 2–3 ครั้งสำหรับผู้สมัคร และ — สำหรับทีมที่ไม่มีแผนการให้คะแนนตัวอธิบาย — ผู้สมัคร 8 ถึง 15 คนวนซ้ำจนกว่ารายชื่อที่เลือกจะปรากฏขึ้น คูณนั่นด้วยจำนวนเสียงในแคตตาล็อกเสียง AI สมัยใหม่และคณิตศาสตร์ก็เลวร้ายลง ไม่ดีขึ้น ตัวเลือกมากขึ้นโดยไม่มีตัวกรองที่ดีขึ้นหมายถึงการสุ่มตัวอย่างแบบสุ่มมากขึ้น
ปัญหาเดียวกันนี้เกิดขึ้นในระดับขนาดใหญ่เมื่อคุณกำลังทำงานภายใน ไลบรารีเสียง AI ที่มีเสียงหลายร้อยเสียง เรียกดู ElevenLabs, Murf หรือผู้ให้บริการ TTS ประสาทใด ๆ โดยไม่มีตัวอธิบาย คุณสุ่มตัวอย่างแบบสุ่ม ด้วยตัวอธิบาย คุณกรอง — และเวลาในการดูรายชื่อที่เลือกลดลงจากชั่วโมงเป็นนาที
จุดปวดสามประการซ้ำ ๆ ทั่วทีมการผลิตทั้งหมดที่ยังไม่ได้มาตรฐานคำศัพท์:
ข้อเสนอแนะที่คลุมเครือสร้างวงจรการแก้ไข "ทำให้มันเป็นธรรมชาติมากขึ้น" ไม่ให้นักพูดหรือเอนจิน AI พารามิเตอร์ใดที่จะปรับ ธรรมชาติตามมิติใด อัตราจังหวะ? เนื้อสัตว์? โทนเรียบที่อยู่ใต้ผิว? สามการแก้ไขต่างกัน สามวัฒนาการการบันทึกต่างกัน
คำศัพท์ที่เป็นอัตนัยซ่อนข้อเสียงของทีม "มืออาชีพ" สำหรับผู้ตลาด SaaS B2B หมายถึง crisp วัดและเชื่อถือได้ สำหรับแผนสนสนใจอาชญากรรมจริง หมายถึงขัดเงาและห่างออกไป ทั้งสองทีมใช้คำเดียวกันและสร้างบริฟต่างกัน
การแปลภาษาท้องถิ่นทำให้ปัญหาทวีคูณ เมื่อคุณ ดับบิ้งเป็น 33 ภาษา บริฟภาษาอังกฤษที่ไม่แม่นยำจะได้รับการแปล การตีความ และการตีความอีกครั้งทั่วทุกตลาดเป้าหมาย "อบอุ่น" เสียงในภาษาอังกฤษอเมริกันสามารถอ่านเป็นแนวทำให้คุ้นเคยอย่างมีประสิทธิภาพในบริบทธุรกิจเยอรมันหรือเกาหลี โดยไม่มีกรอบการทำงานตัวอธิบายแบบใช้ร่วมกัน แต่ละตลาดก็เดินทางต่อ
ตัวอธิบายไม่ใช่คำศัพท์เสถียรศาสตร์ พวกเขาคือเครื่องมือประสิทธิภาพการผลิต ทีมที่ใช้ตัวอธิบายเสียงที่ชัดเจนย่อวัฏจักรการแคสต์ ลดการบันทึกซ้ำ และจัดส่งเนื้อหาที่แปลภาษาท้องถิ่นเร็วขึ้น — และช่องว่างระหว่างทีมที่มีภาษานี้และทีมที่ไม่มีช่องว่างจะขยายตัวทุกครั้งที่ขอบเขตโครงการขยายตัว
มิติอิสระห้าประการของการอธิบายเสียง
กรอบการทำงานด้านล่างนี้ใช้ได้เพราะมิติต่าง ๆ เป็นอิสระในการรับรู้ งานเสียงศาสตร์ของ Kreiman และ Sidtis ยืนยันว่าผู้ฟังสามารถเปลี่ยนแปลงการตัดสินใจของพวกเขาเกี่ยวกับระดับเสียง เนื้อ อัตราจังหวะ และคุณภาพทางอารมณ์โดยไม่ให้การตัดสินใจเหล่านั้นพังลงเป็นการให้คะแนนเดียว คุณจึงสามารถสั่งเสียงเป็น อบอุ่น และรวดเร็ว หรือเย็น และเรียบ หรือเด่น และเข้าถึงได้ง่าย — ชุดค่าผสมที่คำศัพท์แกนเดียวเช่น "มืออาชีพ" ไม่สามารถอธิบาย
การสื่อสารที่ผิดพลาดส่วนใหญ่เกิดขึ้นเพราะว่าคนหนึ่งกำลังอธิบาย โทน ในขณะที่อีกคนหนึ่งปฏิกิริยาต่อ เนื้อสัตว์ เมทริกซ์ด้านล่างแยกพวกเขา
| มิติ | สิ่งที่วัด | ตัวอธิบายตัวอย่าง | ลีเวอร์การผลิต |
|---|---|---|---|
| โทน | ความอบอุ่นทางอารมณ์และระยะห่างของผู้ฟัง | อบอุ่น เย็น เป็นกลาง เด่น เข้าถึงได้ง่าย ห่างไกล จริงใจ เหม็นจมูก | ลงทะเบียนระดับเสียง เส้นโค้งการสำเร็จเสียง |
| อัตราจังหวะและจังหวะ | คำต่อนาที วลีที่จัดกลุ่ม รูปแบบพักผ่อน | วัด รวดเร็ว ช้า ปิดสนิท ไหลลื่น ลังเล จงใจ หายใจไม่ออก | อัตราการพูด (130–200+ wpm) |
| เนื้อสัตว์ | คุณภาพพื้นผิวของเสียง | เรียบ หยาบ หอบ คมชัด ยุ่ง บาง ดังก้อง หยาบ | ไมค์ การประมวลผล คุณภาพเชือกเสียง |
| ตัวบ่งชี้เอกลักษณ์ | อายุที่รับรู้และการนำเสนอทางเพศ | หนุ่มสาว ผู้ใหญ่ ไม่มีเพศสภาวะ ชายโปรแกรม หญิง รหัสผู้สูงอายุ รหัสเด็ก | ความถี่พื้นฐาน การวางตำแหน่ง Formant |
| โทนแอบแฝง | อารมณ์ใต้คำ | มั่นใจ ไม่แน่ใจ ยินดี มืดสีคร่ำ เป็นการเล่น ลึกซึ้ง สงสัย เร่งด่วน | Prosody การเปลี่ยนแปลงขนาดเล็ก ช่วงระดับเสียง |
แต่ละมิติมีจุดอ้างอิงที่วัดได้ ซึ่งเปลี่ยนตัวอธิบายจากความคิดเห็นเป็นข้อบังคับ
อัตราจังหวะ แผนที่โดยตรงไปยังคำต่อนาที งานวิจัยอัตราการฟังของ Foulke และ Sticht ซึ่งสรุปไว้ใน Journal of Communication วางการสนทนาแบบเป็นกันเองรอบ 150–160 wpm; การนำเสนออย่างเป็นทางการและการเรียนรู้อิเล็กทรอนิกส์ที่หนาแน่นนั่งอยู่สบายในวง 130–150 wpm; ข้อเสวนา YouTube ที่มีการสนับสนุนด้านภาพ 160–180 wpm; ความเร็วอ่าน disclaimer เร็วขึ้น 250 wpm ความเข้าใจลดลงอย่างมากเหนือหลวม 200 wpm สำหรับเนื้อหาข้อมูลหนาแน่น "วัด" มี "จึงเป็นหมายเลขแนบมา: ประมาณ 130–145 wpm
เนื้อสัตว์ แผนที่เพื่อเนื้อหาเซอรัมและคุณภาพการบันทึก ข้อกำหนด ACX/Audible audio submission ระบุระดับ RMS ระหว่างประมาณ −23 และ −18 dB ยอดสูงต่ำกว่า −3 dBFS และพื้นเสียงรบกวนต่ำกว่า −60 dB สำหรับเนื้อหาที่พูดแล้ว เสียง "crisp" มีเสีย consonants ที่ชัดเจนและพื้นเสียงรบกวนต่ำ เสียง "muffled" ล้มเหลวอย่างใดอย่างหนึ่งหรือทั้งสอง ตัวอธิบายไม่ใช่บทกวี — เป็นแผนข้อบังคับ
โทนและโทนแอบแฝง แผนที่เพื่อระดับเสียงและสำนักพูด Klofstad และเพื่อน ๆ ใน PNAS พบว่าเสียงที่มีระดับต่ำกว่า มีเสียงดังขึ้น และเบลมากขึ้นจะถูกจัดอันดับอย่างสม่ำเสมอเป็นเสียงที่มีความสามารถและทรงอำนาจมากขึ้น — แต่ไม่เสมอไปอบอุ่นหรือชอบใจมากขึ้น นี่คือเหตุผลเบื้องต้นว่าทำไม "เด่น" และ "เข้าถึงได้ง่าย" ต้องการการติดตามแยกต่างหาก เสียงที่ปรับให้เหมาะสมสำหรับอันหนึ่งสามารถนั่งได้ที่ส่วนท้ายของอีกอันหนึ่ง
ตัวอย่างที่ทำงาน สำหรับช่อง YouTube ด้านความยั่งยืนที่กำลังมองหาผู้ชม Gen Z และ Millennial วางแผน AI dubbing ลงในภาษาหลายภาษา บริฟจึงกลายเป็น: โทน = จริงใจบวกเข้าถึงได้ง่าย; อัตราจังหวะ = 145–160 wpm (วัดต่อ conversational); เนื้อสัตว์ = เรียบด้วยความอบอุ่นที่ได้ยิน ไม่มี sibilance ต่ำ; เอกลักษณ์ = รหัส 30 วินาทีคงศูนย์ เพศที่ยอมรับได้; โทนแอบแฝง = มั่นใจบวกมองในแง่ดี ไม่เคยสั่งสอน ข้อบังคับห้าประการ แต่ละสามารถกรองได้ เสียงใด ๆ ในไลบรารีเสียง 300 เสียงสามารถยอมรับหรือปฏิเสธได้อย่างรวดเร็วกับรายการนั้น
ตัวอธิบายเสียง 50+ ที่จับคู่กับประเภทเนื้อหาและผู้ชม
ตัวอธิบายมีประโยชน์ในบริบทเท่านั้น เสียงเดียวกันที่อ่านเป็น "ลึกซึ้ง" ในแอป meditation อ่านเป็น "น่ากลัว" ใน IVR ของบริการลูกค้า "เด่น" ในช่องบทวิจารณ์ tech ฟังดูต่างจาก "เด่น" ในโมดูลการฝึกอบรมด้านการปฏิบัติตามกฎหมาย กลุ่มด้านล่างแผนที่ตัวอธิบายเพื่อห้ารหัสเนื้อหาที่พบบ่อยที่สุด — วาดจากเกณฑ์มาตรฐานการผลิตจากแต่ละอุตสาหกรรม
สำหรับผู้สร้างสรรค์ YouTube
พลังงาน มีพลัง เป็นกันเอง ขับไล่ — 170–185 wpm การจบชี้ขึ้น emphasis micro บ่อยครั้งบนคำสำคัญ ที่ดีที่สุดสำหรับการเปิดกล่อง เล่นเกม ไลฟ์สไตล์ เนื้อหาปฏิกิริยา หลีกเลี่ยงเมื่อเขียนรูปแบบยาว หรือสารสิ่งสัตว์; พลังงานล้มเหลวผู้ฟัง ภายในสิบนาที
อบอุ่น เข้าถึงได้ง่าย ไม่สมบูรณ์เล็กน้อย — 150–160 wpm หายใจเล็กน้อยสามารถได้ยิน tics ท่าหลีกเลี่ยงปลายหนึ่งบ่อยครั้งคงไว้มากกว่าแก้ไข ที่ดีที่สุดสำหรับ vlogs ส่วนตัว เล่าเรื่อง เนื้อหาสุขภาพจิต หลีกเลี่ยงการส่งมอบคงไว้โพลิชเกิน — งานวิจัยที่เผยแพร่โดย Labrecque ใน Journal of Advertising แสดงว่าเสียงที่ลื่นเกินไปมักถูกจัดอันดับว่าเชื่อถือได้น้อยกว่าเสียงที่ไม่สมบูรณ์เล็กน้อยในบริบทเชื่อมเพื่อน
ตัดกับ witty เล็กน้อยโค้ง — 160–175 wpm timbre แห้ง การพักผ่อนที่ควบคุม สำหรับ punchlines ที่ดีที่สุดสำหรับข้อเสวนา วิจารณ์ และการเหน็บแนม หลีกเลี่ยงการเพิ่มเติมลงในขมขื่น; เส้นระหว่าง witty และ cynical นั่งอยู่ใน timbre และ micro-prosody ไม่ได้เลือกคำ
เด่น มั่นใจ ไม่รีบเร่ง — 140–155 wpm ลงทะเบียนระดับเสียงต่ำกว่า fry โปรแกรมขั้นต่ำ ที่ดีที่สุดสำหรับการเจาะลึก การศึกษาและการบทวิจารณ์เทคโนโลยี หลีกเลี่ยงการบรรยายสดส่วน — จับคู่การส่งมอบเด่นกับ asides conversational เพื่อให้ผู้ชมเอนเข้าหา
สำหรับการฝึกอบรมระดับ E-Learning และบริษัท
ชัดเจน ไม่รีบเร่ง ออกเสียงแม่นยำ — 130–145 wpm consonants crisp การพักผ่อนที่จงใจเมื่อดึงข้อมูล Clark และ Mayer e-Learning และวิทยาศาสตร์ของการสอน ระบุวงนี้เป็นความเข้าใจหวานสำหรับเนื้อหาข้อมูลหนาแน่น ที่ดีที่สุดสำหรับการปฏิบัติตามกฎหมายและการฝึกอบรมด้านความปลอดภัย
สนับสนุน อดทนใจ อบอุ่นเป็นกลาง — 140–150 wpm upward-friendly intonation โจมตีเบา consonants ที่ดีที่สุดสำหรับการสร้างทักษะระดับเริ่มต้น การเรียนรู้ภาษา และการฝึกอบรมเทคนิคเบื้องต้น
มืออาชีพ วัด ต่ำ affect — 135–150 wpm ช่วงไดนามิกที่ควบคุม การเปลี่ยนแปลง prosody ขั้นต่ำ ที่ดีที่สุดสำหรับการพัฒนาผู้นำ การรับรองบัญชี และเนื้อหาอุตสาหกรรมที่ควบคุมโดยที่เป็นกลางคือประเด็น
Conversational เข้าถึงได้ง่าย peer-coded — 150–160 wpm ไม่เป็นทางการเล็กน้อย บางครั้งหด และ softer wording ที่ดีที่สุดสำหรับโมดูล onboarding การสื่อสารภายในและเนื้อหาการสร้างวัฒนธรรม
สำหรับ SaaS และการตลาดผลิตภัณฑ์
มั่นใจ สมัยใหม่ crisp — 155–170 wpm พื้นเสียงรบกวนต่ำ ความถี่สูงสว่าง แต่ไม่ sibilant ที่ดีที่สุดสำหรับการสาธิตผลิตภัณฑ์และเปิดตัวฟีเจอร์
อบอุ่น มนุษย์ เล็กน้อยไม่สมบูรณ์ — 150–160 wpm หายใจที่เก็บรักษา โจมตีนุ่ม ที่ดีที่สุดสำหรับการเล่าเรื่องแบรนด์ voiceover ของสักขีพยาน และเนื้อหาที่นำโดยผู้ก่อตั้ง
มีประสิทธิภาพ ชัดเจน ต่ำ-แต่ง — 160–170 wpm การเปลี่ยนแปลง prosody ขั้นต่ำ บรรจุข้อมูลหนาแน่น ที่ดีที่สุดสำหรับ explainers ทางเทคนิค และเอกสาร API เมื่อสร้างเสียงเหล่านี้โดยโปรแกรมผ่าน ขั้นตอนการสร้างเสียงที่ขับเคลื่อน API ความสม่ำเสมออย่างหลายร้อยคลิปสำคัญมากกว่าศิลปะของแต่ละบุคคล
เชิญชวน น่าเชื่อถือ soft-authoritative — 140–155 wpm ระดับเสียงต่ำกว่า โจมตีนุ่ม ก้าวที่ควบคุม ที่ดีที่สุดสำหรับความปลอดภัย ความเป็นส่วนตัว สุขภาพ และข้อความบริการทางการเงินซึ่งผู้ฟังต้องรู้สึกทั้งมือที่มีความสามารถและความอบอุ่นของมนุษย์
ตัวอธิบาย warm หมายถึงบางสิ่งบางอย่างต่างกันมากในบริฟ SaaS B2B มากกว่าในเรื่องราตรี — บริบท ไม่ใช่คำ คือความหมายของรถบรรทุก
สำหรับผู้พูดถึงและผู้บรรยาย Audiobook
ลึกซึ้ง nuanced micro-expressive — 150–160 wpm (ช่วง audiobook แนะนำ ACX) ใกล้เคียง-miked หายใจสามารถได้ยิน ความเปลี่ยนแปลงระดับเสียงเล็กน้อย ทั่วทั้ง วลี ที่ดีที่สุดสำหรับสูตร ตำนาน สมมติ และจริง-crime narration ซึ่งผู้ฟังสวมหูฟังของหลายชั่วโมง
เด่น ถ่วงดุล เป็นกลางเชิงข่าว — 145–160 wpm prosody ควบคุม low affect บนคำความคิดเห็น ที่ดีที่สุดสำหรับ podcasts ข่าวและการสอบสวนที่มีการรับรู้ความเป็นกลาง
มีสนุก ซินตักสอง ตัวละครที่เปลี่ยนแปลง — ก้าวที่เปลี่ยนแปลง ช่วงระดับเสียงกว้าง เกินจริงที่จงใจ ที่ดีที่สุดสำหรับ podcasts ตลก เนื้อหาของเด็ก และสำนวนเหตุการณ์อนาคต
สงบ นิ่งสนิท-arousal ต่ำ — 110–130 wpm บรรหลากที่ยอมรับได้และมักมีความชอบใจ การพักผ่อนแบบยาวระหว่างวลี ที่ดีที่สุดสำหรับ guided meditation เรื่องการนอน และเรื่ององค์การจัดตั้ง
สำหรับโครงการดับบิ้งและแปล
เทียบเท่าทางอารมณ์ ไม่ตรงกันตามตัวอักษร — รักษา undertone ของต้นทางแม้ว่าการประเมินแสงหรือการพอใจทางวัฒนธรรม Netflix และกระบวนการ SDI Media localization QA ตรวจสอบความพอใจทางอารมณ์อย่างชัดเจน ควบคู่ไปกับ sync ตามเอกสาร Journal of Audiovisual Translation
Age-coded ทั่วทั้งวัฒนธรรม — การแคสต์เสียง "วัยรุ่น" แตกต่างกันระหว่างตลาด Portuguese ของบราซิลและจาปาน; บริฟโดยอายุที่รับรู้ วง ไม่ใช่เพียง ปี. สิ่งที่ฟังดูเหมือน 17 ในตลาดหนึ่งฟังดูเหมือน 14 หรือ 20 ในอีกตลาดหนึ่ง
Culturally calibrated warmth — "warm" ในภาษาอังกฤษอเมริกันเข้าใกล้ "overly familiar" ในบริบทธุรกิจเยอรมันหรือเกาหลี เมื่อดับบิ้งทั่วทั้งภาษาเป้าหมายหลายภาษา บริฟผู้ตรวจสอบเจ้าของถิ่นเกิดว่าตัวอธิบายลงเอย ตามจำนำหน้าในแต่ละตลาด
Identity-preserving ผ่านการโคลนเสียง — เมื่อเสียงของผู้สร้างสรรค์ดั้งเดิมมี brand equity voice cloning รักษา identity markers (เนื้อสัตว์ ระดับเสียง อายุ coding) ทั่วทั้งภาษาในขณะที่ prosody ของ target-language ดัดแปลงไปยังท้องถิ่น norms ตัวอธิบายบริฟเดินทางพร้อมสำเร็จแม้ว่าการเปลี่ยนแปลงภาษา
วิธีการตรวจสอบเสียงตามตัวอธิบาย — กระบวนการห้าขั้นตอน
ทีมส่วนใหญ่ออดิชั่นเสียงผิด พวกเขาเล่น ตัวอย่าง ปฏิกิริยาพร้อมความรู้สึกที่คลุมเครือ — "ไม่ถูก ต่อไป" — และไม่เคยแยกมิติใดล้มเหลว กระบวนการตรวจสอบด้านล่างยืมมาจาก ITU-T P.800 และ P.808 มาตรฐานสากลสำหรับ Mean Opinion Score ทดสอบ คุณภาพการพูด และปรับโปรโตคอลการรับฟังหลายมิติเหล่านั้นสำหรับการตัดสินใจการสนถามเชิงสร้างสรรค์
ขั้นตอน 1 — แยกมิติหนึ่งพร้อมเวลาหนึ่ง
อย่าประเมินโทน ก้าว เนื้อสัตว์ เอกลักษณ์ และโทนแอบแฝงพร้อมกัน เล่นตัวอย่าง 15–30 วินาที (ตรงกับความยาวของสคริปต์ออดิชั่นมาตรฐานตามการปฏิบัติของอุตสาหกรรมเสียงพูด) การได้ยินครั้งแรก ให้คะแนน โทน เท่านั้น: เย็น ↔ เป็นกลาง ↔ อบอุ่นบน 1–7 มาตราส่วน เล่นซ้ำสำหรับ ก้าว เล่นซ้ำสำหรับ เนื้อสัตว์ ITU-T P.808 โปรโตคอลทดสอบใช้วิธีแยกนี้อย่างแม่นยำเพื่อให้ผู้ฟังการตัดสินใจมั่นคงทั่วเกณฑ์
ขั้นตอน 2 — ใช้ตัวอย่างจุดยึดสำหรับการสอบเทียม
หากคุณไม่แน่ใจว่า "crisp" ฟังเหมือนไร ให้ฟังเสียงอ้างอิง crisp ที่เป็นที่รู้จัก (การสอบถามข่าวเครือข่ายทำงานได้ดี) ก่อนและหลังจากนั้นให้ลงนามผู้สมัครของคุณอีกครั้งต่ออ้างอิงนั้น Anchors ป้องกันการดริฟท์ที่เกิดขึ้นเมื่อคุณได้ยินสิบโหลเสียง และจุดอ้างอิงของคุณได้เลื่อนเข้าไปทั่วสิ่งที่คุณ sampled นิ่ม
ขั้นตอน 3 — ทดสอบในบริบทการผลิต ไม่ใช่การแยกต่างหาก
เสียงที่ฟังเป็น "หอบ" ต่อความเงียบ ฟังเป็น "ลึกซึ้ง" ในการดนตรี underscore นุ่ม ประเมินเสียงเสมอในส่วนผสมที่สมจริง: พร้อมดนตรี intro ของคุณ ที่ความดังของเป้าหมาย (EBU R128 ระบุเป้าหมายความดังรวมรอบ −23 LUFS สำหรับออกอากาศ พร้อมการแปรผลแบบไหลทดสอบ) และมีความเชี่ยวชาญด้านเบื้องหลังใด ๆ ที่จะปรากฏในผลงานสำเร็จ เมื่อทดสอบสิบโหลเสียงในระดับ ทดสอบเสียงโปรแกรมผ่าน API ให้สร้างสคริปต์เดียวกันในเสียงผู้สมัครทุกคนและตรวจสอบพวกเขาภายใต้เงื่อนไขส่วนผสมที่เหมือนกัน
ขั้นตอน 4 — รับผู้ฟังอิสระคนที่สอง
ขอให้เพื่อนร่วมงานอธิบายเสียง ก่อน คุณบอกพวกเขาตัวอธิบายของคุณ หากพวกเขากล่าว "เด่น" และคุณเขียน "เย็น" คุณได้ระบุช่องว่างการรับรู้ที่จะปรากฏขึ้นอีกครั้ง ด้วยผู้ชมของคุณ ข้อตกลงระหว่าง raters คือวิธีการตรวจสอบการตัดสินใจเสียง — เป็นวิธีการ MOS scoring สร้างความน่าเชื่อถือเข้าไป การวัดที่เป็นอัตนัยโดยพื้นฐาน
ขั้นตอน 5 — เอกสารด้วย scorecard ที่คุณสามารถจัดเรียง
สร้างตารางง่าย: Voice ID | Tone (1–7) | Pace (wpm range) | Texture (descriptor) | Identity (age/gender code) | Emotional Undertone (descriptor) | Notes. จัดเรียงตามมิติลำดับความสำคัญของคุณ นี่แปลกระบวนการที่เป็นอัตนัยเป็น shortlist สามารถกรองได้ — และให้คุณบันทึกที่คุณสามารถเยี่ยมชมอีกครั้งเมื่อโครงการปรับขนาดเป็นภาษาที่สองหรือแคมเปญที่สาม
รายการตรวจสอบการทดสอบหกรายการ
- ฉันได้ฟังแล้วอย่างน้อย 15 วินาทีของการพูดต่อเนื่อง ไม่ใช่คำเดี่ยวหรือ phonemes ใช่?
- ฉันได้ยินเสียง ที่ก้าวหลายก้าว หากแพลตฟอร์มอนุญาตให้สุ่มตัวอย่างความเร็วการเล่นกลับ?
- ฉันได้ทดสอบกับสคริปต์ของฉันจริง — หรือตัวอย่าง 30 วินาทีที่มิเรอร์ความหนาแน่นและลงทะเบียนของเนื้อหาของฉัน?
- ฉันได้บันทึกไว้ว่าคะแนนตัวอธิบายใดที่รู้สึก แน่นอน เทียบกับ ไม่แน่นอน?
- ฉันได้ตรวจสอบความขัดแย้งภายใน ("อบอุ่น แต่ห่างไกล") และถามว่าทำไม?
- ฉันได้รันผู้สมัครสามอันดับแรกผ่านผู้ฟังคนที่สองที่ยังไม่ได้เห็นจัดอันดับของฉัน?
ตัวอธิบายห้าตัวที่ทำให้ทุกคนเข้าใจผิด — และสิ่งที่ควรพูดแทน
ตัวอธิบายห้าตัวทำให้เสียหายมากกว่าสี่สิบห้าอื่น ๆ รวมกัน เพราะทุกคนใช้พวกเขาและไม่มีใครเห็นด้วยว่าพวกเขาหมายถึงอะไร "ธรรมชาติ" "มืออาชีพ" "crisp" "เรียบ" และ "อบอุ่น" แต่ละรับการอ่านทางเทคนิค การอ่านท่วมไป และการอ่านทางอารมณ์ — และสามมักจะไม่ทับซ้อน ตารางด้านล่างทำให้ช่องว่างชัดเจนและให้คุณภาษาการแทนที่เพื่อหลีกเลี่ยงมัน
| ตัวอธิบายการใช้ผิด | วิศวกรเสียงที่ได้ยิน | ผู้ฟังส่วนใหญ่ได้ยิน | สิ่งที่คุณอาจหมายถึง |
|---|---|---|---|
| ธรรมชาติ | การประมวลผลน้อยที่สุด ไม่มี artifacts การบีบอัด มนุษย์ที่บันทึก | Conversational ไม่ใช่ robot ที่น่าเชื่อถือทางอารมณ์ | "ฟังดูเหมือนคนจริงกำลังพูด ไม่ได้อ่าน" |
| มืออาชีพ | เสียงที่ฝึกอบรม ช่วงไดนามิกที่ควบคุม การบันทึกที่สะอาด | ทางการ เด่น มีแนวโน้มที่จะห่างไกล | "เชื่อมั่นและเชื่อถือได้โดยไม่ต้องเย็น" |
| Crisp | ความชัดเจนของความถี่สูง consonants ออกเสียงแม่นยำ พื้นเสียงรบกวนต่ำ | พลัง สมัยใหม่ มีประสิทธิภาพ | "ชัดเจนพอสำหรับเงื่อนไข technical" — คำสั่ง texture ไม่ใช่ก้าวหนึ่ง |
| เรียบ | ไม่กี่ consonants หนัก vowel-forward flowing legato | สงบ ขัดเงา ง่ายฟัง | "สนับสนุนและ frictionless" |
| อบอุ่น | ความเน้นความถี่ต่ำ โจมตีนุ่ม sibilance ต่ำ | เห็นอกเห็นใจ มนุษย์ เล็กน้อยลึกซึ้ง | "อารมณ์ใกล้ไม่มีมิโยต้นแบบแม็ก" |
ทดสอบอย่างรวดเร็วเพื่อแยกชั้น: สำหรับ ธรรมชาติ เล่นผู้สมัครข้าง ๆ ตัวอย่าง TTS ที่รู้จัก และการบันทึกคนที่รู้จัก — โดยใดมันกลุ่มกับ? สำหรับ มืออาชีพ ถาม ไม่ว่าเสียงจะทำงานเป็นทั้งนักบำบัดและ CFO หากเพียงแค่หนึ่ง คุณหมายถึงบางสิ่งบางอย่างที่เฉพาะเจาะจงมากขึ้น สำหรับ crisp เล่น