TTS Emotivo
Primera ejecución: termina de construir esta habilidad desde la API en vivo
El TTS de Gemini se guía mediante instrucciones de estilo en lenguaje natural. Antes del primer uso, obtén la documentación actual de generación de voz de Gemini, confirma el ID del modelo en config/models.yaml, enumera las voces disponibles y actualiza scripts/tts.py y este archivo con cualquier diferencia (nombres de voces, sintaxis de indicaciones de estilo, soporte para múltiples hablantes, frecuencia de muestreo). Prueba tres voces en el párrafo p01 y permite que el usuario elija. Luego elimina esta sección.
Uso
python scripts/tts.py work/<slug>/script.md work/<slug>/vo/
El script convierte la etiqueta entre corchetes de cada párrafo en una instrucción de estilo:
- Persona base, siempre antepuesta: "Lee como un profesor universitario cálido y pausado que habla en una sala pequeña. Pausas naturales en las comas. Nunca apresurado, nunca teatral."
- Etiqueta añadida: "Tono para este pasaje: ."
Un WAV por párrafo mantiene las regrabaciones económicas. vo/timing.json registra cada duración para el montaje.
Pronunciación
config/pronunciations.yaml asigna formas escritas a formas habladas y se aplica solo a la entrada de TTS, por lo que los subtítulos aún muestran "835". Se lee como "ocho treinta y cinco", nunca "ochocientos treinta y cinco". Agrega cualquier término que una voz lea incorrectamente.
Barra de calidad
Renderiza p01 primero. Si la lectura suena cantarina o sobreactuada, suaviza la redacción de la etiqueta en lugar de agregar palabras de emoción.