Cartesia 希伯來語 TTS

語音本身聽起來自然流暢。幾乎所有失敗都來自於發音：未標註母音的希伯來文字會讓模型猜測母音、性別以及如何讀取數字。因此，主要工作在於準備文字與檢查結果。

腳本位於此檔案旁的 scripts/ 目錄中。請使用 node（20 或更新版本）從輸出目標資料夾執行。個人資料儲存在 ~/.cartesia-tts：包含金鑰（.env）、預設語音與設定（config.json）以及發音清單（lexicon.json）。更新技能不會更動該資料夾。

首次執行

使用使用者的語言，以白話方式溝通，並在每個步驟後等待他們回應。

執行 node scripts/doctor.mjs。此動作免費。它會顯示 READY 或需要修正的項目。
金鑰： 如果缺少某項金鑰，請執行 node scripts/doctor.mjs --keys。它會開啟文字編輯器，讓使用者貼上：
- CARTESIA_API_KEY，來自 play.cartesia.ai（API Keys）。免費帳戶即可使用。
- GEMINI_API_KEY，來自 aistudio.google.com（與課程第一天使用的金鑰相同）。
切勿要求使用者在對話中貼上金鑰，也切勿印出金鑰。
語音： 詢問使用者是要複製自己的聲音（請參閱「複製聲音」）還是暫時使用庫存語音（node scripts/voices.mjs --language he，然後 --set-default <id>）。
再次執行 doctor.mjs，直到顯示 READY，然後透過「製作配音」製作一個簡短的測試句子，以便他們聆聽。

製作配音

儲存原始檔案 為 <name>.original.txt，保持不變。
準備腳本。 閱讀 references/hebrew-rules.md，然後儲存 <name>.txt，其中包含：
- 數字、時間和價格改為口語形式，並使用正確的性別
- 在模糊詞彙上加上完整的母音符號，包括字首字母，其餘保持原樣
- 英文名稱使用英文字母書寫，並使用乾淨的標點符號
改變詞彙的寫法，而不是改變它們的意思。如果改寫確實有幫助，例如替換正式時間，請在您的摘要中說明。
產生並檢查：
```
node scripts/speak.mjs <name>.txt <name>.wav --check
```
如果要求，可加上 --emotion none、--speed 1.0 或 --voice <id>。若要輸出 MP3 格式，請使用 .mp3 檔案名稱。它還會寫入 <name>.wav.sent.txt（實際發送的文字）和 <name>.wav.check.json（報告）。離開代碼 2 表示檢查發現錯誤。
僅修正失敗的部分。 檢查可能會標記一個實際說對的詞，因此請先比對 heard_as 與您意圖的讀法，如果相符，則忽略該詞的報告。對於每個真正的錯誤，請在 <name>.txt 中修正並重新產生。偏好順序為：先新增或修正完整母音符號，然後重新拼寫，最後替換為同義詞。最多重試 3 輪，然後報告剩餘問題，因為更多重試通常沒有幫助，且每次重試都會耗用點數。
記住真正的修正。 如果某個詞需要修正且含義始終相同，請將其加入 ~/.cartesia-tts/lexicon.json（如有需要請建立檔案），此檔案會在每次執行時自動套用：
```
[{ "text": "גוללים", "say": "גּוֹלְלִים" }]
```
比對是基於完整的詞彙，因此請將帶有字首的詞彙形式各自新增為獨立條目。請省略像 "ספר" 這樣的同形異義詞，因為正確讀法取決於句子，固定的替換會破壞其他用法。
回報結果： 音檔路徑、檢查結果、您修改過的任何詞彙，以及提醒使用者聆聽。

檢查在捕捉錯誤詞彙方面比捕捉細微語氣差異更有效。 在測試中，它為三段不同的連續鏡頭給出了完全相同的完美分數。PASS 表示未檢測到錯誤，最終判斷仍由使用者親自聆聽決定。當被要求比較鏡頭的感覺時，請提供鏡頭本身，而非根據分數挑選。

每次只產生一個鏡頭，因為 Cartesia 會根據方案限制並發請求。

檢查現有錄音

node scripts/check.mjs <音檔> <腳本.txt> --json report.json

複製聲音

node scripts/clone.mjs <音檔片段> --name "聲音名稱" --language he --set-default

僅複製使用者自己的聲音，或已獲得明確許可的其他人聲音。如果是他人聲音且許可不明確，請停止並詢問。省略 --set-default 可以先試聽複製結果，然後再透過 --voice <id> 傳遞給 speak.mjs。在上傳前，請對音檔片段提供建議，因為複製會緊密模仿：

30 到 60 秒（Sonic 3.6 最多可學習 60 秒），單一說話者，安靜環境，小於 16 MB
自然說話，避免像播報員
以所需的語氣錄製，因為愉快的片段會讓所有輸出都帶有愉快語調

專業級聲音複製需要 30 分鐘以上的音訊和更高階的方案。它們改善的是相似度，而非發音，因此無法修正讀錯的詞彙。詳細資訊：https://docs.cartesia.ai/build-with-cartesia/capability-guides/clone-voices-pro

費用說明

Sonic 每字元消耗 1 點數，每分鐘音訊約需 750 到 800 點數。Cartesia 的免費方案每月包含 20,000 點數和即時語音複製，供評估與個人使用。商業使用需要付費方案，每月 $5 美元起。最新詳細資訊：https://www.cartesia.ai/pricing。Gemini 檢查會使用使用者的 Gemini 金鑰。

cartesia-hebrew-tts