cartesia-hebrew-tts

Cartesia Hebrew TTS (Locución en hebreo con Cartesia)

La voz en sí suena natural de fábrica. Casi todos los fallos son de pronunciación: el hebreo sin vocales deja que el modelo adivine las vocales, el género y cómo leer los dígitos. Por eso el trabajo consiste en preparar el texto y verificar el resultado.

Los scripts están en scripts/ junto a este archivo. Ejecútalos con node (20 o superior), desde la carpeta donde debe ir el resultado. Los datos personales residen en ~/.cartesia-tts: las claves (.env), la voz y configuración predeterminadas (config.json) y la lista de pronunciación (lexicon.json). Al actualizar la habilidad nunca se toca esa carpeta.

Primera ejecución

Habla con el usuario en su idioma, con palabras sencillas, y espera después de cada paso.

1. Ejecuta node scripts/doctor.mjs. Es gratuito. Muestra READY, o qué corregir.

2. Claves: si falta alguna, ejecuta node scripts/doctor.mjs --keys. Abre el archivo de claves en un editor de texto, donde el usuario pegará:

   • CARTESIA_API_KEY, de play.cartesia.ai (API keys). Una cuenta gratuita funciona.
   • GEMINI_API_KEY, de aistudio.google.com (la misma clave del Día 1 del curso).

   Nunca le pidas al usuario que pegue una clave en el chat, y nunca imprimas una clave.

3. Voz: pregunta si quiere clonar su propia voz (ver "Clonar una voz") o usar una voz predeterminada por ahora (node scripts/voices.mjs --language he, luego --set-default <id>).

4. Ejecuta doctor.mjs de nuevo hasta que diga READY, luego haz una línea de prueba corta mediante "Hacer una locución" para que pueda escucharla.

Hacer una locución

1. Guarda el original como <nombre>.original.txt, sin modificar.

2. Prepara el guion. Lee references/hebrew-rules.md, luego guarda <nombre>.txt con:

   • números, horas y precios como palabras habladas con el género correcto
   • niqqud completo en palabras ambiguas, incluyendo letras prefijas, y todo lo demás sin marcar
   • nombres en inglés con letras inglesas, y puntuación limpia

   Cambia cómo se escriben las palabras, no lo que dicen. Si una reformulación realmente ayuda, como reemplazar una hora formal, indícalo en tu resumen.

3. Genera y verifica:

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

   Añade --emotion none, --speed 1.0 o --voice <id> si se solicita. Usa un nombre de salida .mp3 para MP3. También escribe <nombre>.wav.sent.txt (el texto exacto enviado) y <nombre>.wav.check.json (el informe). El código de salida 2 significa que la verificación encontró errores.

4. Corrige solo lo que falló. La verificación puede marcar una palabra que se dijo correctamente, así que primero compara heard_as con la lectura que pretendías, e ignora el informe para esa palabra si coinciden. Para cada error real, corrígelo en <nombre>.txt y regenera. Por orden de preferencia: añade o corrige el niqqud completo, luego reescribe la palabra, luego sustitúyela por un sinónimo. Detente después de 3 rondas e informa lo que queda, porque más reintentos rara vez ayudan y cada uno usa créditos.

5. Recuerda las correcciones reales. Si una palabra necesitó una corrección y siempre significa lo mismo, agrégala a ~/.cartesia-tts/lexicon.json (crea el archivo si es necesario), que se aplica automáticamente en cada ejecución:

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

   La coincidencia es sobre la palabra completa exacta, así que añade formas con prefijos como entradas separadas. Omite homógrafos como ספר, ya que la lectura correcta depende de la oración y un reemplazo fijo rompería otros usos.

6. Informa: la ruta del audio, el resultado de la verificación, las palabras que cambiaste y un recordatorio para que escuche.

La verificación detecta mejor las palabras incorrectas que los matices de pronunciación. En las pruebas, dio puntuaciones idénticas y perfectas a tres tomas de reel diferentes. Un PASS significa que no se detectaron errores, y el oído del usuario hace la decisión final. Cuando te pidan comparar tomas por sensación, proporciona las tomas en lugar de elegir según las puntuaciones.

Genera una toma a la vez, porque Cartesia limita las solicitudes concurrentes según el plan.

Verificar una toma existente

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

Clonar una voz

node scripts/clone.mjs <clip> --name "Nombre de la voz" --language he --set-default

Clona solo la voz del usuario, o una voz cuyo dueño haya dado permiso explícito. Si es la voz de otra persona y el permiso no está claro, detente y pregunta. Omite --set-default para probar un clon primero, luego pásalo a speak.mjs con --voice <id>. Aconseja sobre el clip antes de subirlo, ya que el clon lo copia fielmente:

• 30 a 60 segundos (Sonic 3.6 aprende de hasta 60), un solo hablante, una habitación silenciosa, menos de 16 MB
• habla de forma natural, no como un locutor
• graba en el estado de ánimo deseado para la voz, porque un clip alegre dará una voz alegre en todo lo que diga

Los Pro Voice Clones necesitan 30+ minutos de audio y un plan superior. Mejoran el parecido, no la pronunciación, por lo que no corregirán palabras mal leídas. Detalles: https://docs.cartesia.ai/build-with-cartesia/capability-guides/clone-voices-pro

Costos

Sonic usa 1 crédito por carácter, aproximadamente de 750 a 800 créditos por minuto de audio. El plan gratuito de Cartesia incluye 20,000 créditos al mes y clonación de voz instantánea, para evaluación y uso personal. El uso comercial requiere un plan de pago, desde $5 al mes. Detalles actuales: https://www.cartesia.ai/pricing. La verificación de Gemini se ejecuta con la clave Gemini del usuario.