Cartesia Hebräisch TTS

Was macht Cartesia Hebräisch TTS?

Die Stimme selbst klingt von Haus aus natürlich. Fast alle Fehler sind Aussprachefehler: unvokalisierte Hebräisch-Texte zwingen das Modell zum Raten von Vokalen, Genus und der Lesart von Ziffern. Die Arbeit liegt also in der Textvorbereitung und der Ergebniskontrolle.

Skripte befinden sich im Ordner scripts/ neben dieser Datei. Führe sie mit node (Version 20 oder neuer) aus, und zwar in dem Ordner, in dem die Ausgabe landen soll. Persönliche Daten liegen in ~/.cartesia-tts: die Schlüssel (.env), die Standardstimme und -einstellungen (config.json) und die Ausspracheliste (lexicon.json). Aktualisierungen des Skills berühren diesen Ordner nie.

Erster Start

Sprich mit dem Benutzer in seiner Sprache, in einfachen Worten, und warte nach jedem Schritt auf ihn.

1. Führe node scripts/doctor.mjs aus. Es ist kostenlos. Es gibt READY aus oder sagt, was zu beheben ist.

2. Schlüssel: Falls einer fehlt, führe node scripts/doctor.mjs --keys aus. Es öffnet die Schlüsseldatei in einem Texteditor, in die der Benutzer Folgendes einfügt:

   • CARTESIA_API_KEY von play.cartesia.ai (API-Schlüssel). Ein kostenloser Account funktioniert.
   • GEMINI_API_KEY von aistudio.google.com (derselbe Schlüssel wie am ersten Tag des Kurses).

   Bitte den Benutzer niemals, einen Schlüssel in den Chat einzufügen, und gib niemals einen Schlüssel aus.

3. Stimme: Frage, ob sie ihre eigene Stimme klonen möchten (siehe „Stimme klonen“) oder vorerst eine Standardstimme verwenden wollen (node scripts/voices.mjs --language he, dann --set-default <id>).

4. Führe doctor.mjs erneut aus, bis READY erscheint, und erstelle dann eine kurze Testzeile mit „Sprachaufnahme erstellen“, damit sie sie hören können.

Sprachaufnahme erstellen

1. Speichere das Original als <name>.original.txt, unverändert.

2. Bereite das Skript vor. Lese references/hebrew-rules.md, speichere dann <name>.txt mit:

   • Zahlen, Zeiten und Preisen als gesprochene Wörter mit dem richtigen Genus
   • vollständigem Nikud bei mehrdeutigen Wörtern, einschließlich Präfixbuchstaben, und alles andere in Klarschrift
   • englischen Eigennamen in englischen Buchstaben und sauberer Zeichensetzung

   Ändere, wie Wörter geschrieben werden, nicht was sie bedeuten. Wenn eine Umformulierung wirklich hilfreich wäre, z. B. um eine formelle Zeitangabe zu ersetzen, teile dies in deiner Zusammenfassung mit.

3. Generieren und prüfen:

   node scripts/speak.mjs <name>.txt <name>.wav --check
   

   Füge --emotion none, --speed 1.0 oder --voice <id> hinzu, falls gewünscht. Verwende eine .mp3-Ausgabedatei für MP3. Das Skript erzeugt auch <name>.wav.sent.txt (den exakt gesendeten Text) und <name>.wav.check.json (den Bericht). Exit-Code 2 bedeutet, dass die Prüfung Fehler gefunden hat.

4. Korrigiere nur die Fehler. Die Prüfung kann ein Wort beanstanden, das tatsächlich richtig ausgesprochen wurde. Vergleiche daher zunächst heard_as mit der beabsichtigten Lesart und ignoriere den Bericht für dieses Wort, wenn sie übereinstimmen. Korrigiere bei jedem echten Fehler den Eintrag in <name>.txt und generiere neu. In der Reihenfolge der Präferenz: Nikud hinzufügen oder korrigieren, dann umschreiben, dann ein Synonym einsetzen. Stoppe nach 3 Durchgängen und berichte, was noch übrig ist, denn weitere Versuche helfen selten und verbrauchen Guthaben.

5. Merke dir echte Korrekturen. Wenn ein Wort korrigiert werden musste und immer dasselbe bedeutet, füge es zu ~/.cartesia-tts/lexicon.json hinzu (Lege die Datei bei Bedarf an). Sie wird automatisch bei jedem Lauf angewendet:

   [{ "text": "גוללים", "say": "גּוֹלְלִים" }]
   

   Der Abgleich erfolgt auf das exakte gesamte Wort; füge daher präfigierte Formen als eigene Einträge hinzu. Lass Homographen wie ספר weg, da die richtige Lesart vom Satz abhängt und ein fester Ersatz andere Verwendungen brechen würde.

6. Berichte: den Audiopfad, das Prüfergebnis, alle geänderten Wörter und eine Erinnerung an den Hörcheck.

Die Prüfung erkennt falsche Wörter besser als subtile Nuancen. Im Test erhielten drei verschiedene Reel-Aufnahmen identische perfekte Bewertungen. BESTANDEN bedeutet, dass keine Fehler erkannt wurden; der Benutzer entscheidet letztendlich mit dem Ohr. Wenn auf Gefühl hin Vergleiche zwischen Takes gewünscht werden, gib die Takes weiter, anstatt aus den Bewertungen auszuwählen.

Erzeuge immer einen Take nach dem anderen, da Cartesia die gleichzeitigen Anfragen je nach Plan begrenzt.

Vorhandenen Take prüfen

node scripts/check.mjs <audio> <script.txt> --json report.json

Stimme klonen

node scripts/clone.mjs <clip> --name "Stimmenname" --language he --set-default

Klone nur die eigene Stimme des Benutzers oder eine Stimme, deren Besitzer explizit die Erlaubnis erteilt hat. Handelt es sich um die Stimme einer anderen Person und die Erlaubnis ist nicht klar, stoppe und frage nach. Lasse --set-default weg, um einen Klon zunächst zu testen, und übergib ihn dann an speak.mjs mit --voice <id>. Berate vor dem Hochladen über den Clip, da der Klon ihn genau kopiert:

• 30 bis 60 Sekunden (Sonic 3.6 lernt von bis zu 60 Sekunden), ein Sprecher, ein ruhiger Raum, unter 16 MB
• natürlich sprechen, nicht wie ein Ansager
• in der gewünschten Stimmung aufnehmen, denn ein fröhlicher Clip ergibt eine fröhliche Stimme in allem, was sie sagt

Pro Voice Clones benötigen 30+ Minuten Audio und einen höheren Plan. Sie verbessern die Ähnlichkeit, nicht die Aussprache, und beheben daher keine falsch gelesenen Wörter. Details: https://docs.cartesia.ai/build-with-cartesia/capability-guides/clone-voices-pro

Was es kostet

Sonic verbraucht 1 Gutschrift pro Zeichen, etwa 750 bis 800 Gutschriften pro Minute Audio. Der kostenlose Plan von Cartesia umfasst 20.000 Gutschriften pro Monat und sofortiges Sprachklonen für Evaluierungs- und persönliche Nutzung. Für die kommerzielle Nutzung ist ein kostenpflichtiger Plan ab 5 $ pro Monat erforderlich. Aktuelle Details: https://www.cartesia.ai/pricing. Die Gemini-Prüfung läuft über den Gemini-Schlüssel des Benutzers.