នៅពីក្រោយបច្ចេកវិទ្យា៖ ម៉ាស៊ីន TTS ពីរ — សំឡេងដើមធៀបនឹង Local Neural AI

ខួរក្បាលនីមួយៗស្រូបយកចំណេះដឹងខុសៗគ្នា។ អ្នកខ្លះជាអ្នកសិក្សាដោយការមើល ដែលត្រូវមើលរចនាសម្ព័ន្ធពិតប្រាកដនៃប្រយោគ សញ្ញាវណ្ណយុត្តិ និងប្លង់នៅលើទំព័រ ដើម្បីយល់ពីគំនិតមួយ។

អ្នកផ្សេងទៀតគឺជាអ្នកសិក្សាដោយការស្តាប់ ដែលស្រូបយកព័ត៌មានបានល្អបំផុតនៅពេលពួកគេអាចស្តាប់ចង្វាក់ និងសំនៀងនៃសំឡេងមនុស្ស។ ប៉ុន្តែការរៀនមិនមែនគ្រាន់តែជាជម្រើសពីរដាច់ខាតនោះទេ។ ជួនកាលអ្នកចង់បញ្ចូលគ្នានូវរចនាប័ទ្មទាំងពីរ—តាមដានដោយមើល ខណៈពេលដែលអ្នកនិទានអានឮៗ ដើម្បីចងចាំយ៉ាងជ្រាលជ្រៅ។

ដើម្បីគាំទ្រការបញ្ចូលគ្នាដ៏រលូននេះ កម្មវិធីត្រូវមានម៉ាស៊ីនសំឡេងដ៏រឹងមាំមួយ។ ទោះជាយ៉ាងណាក៏ដោយ កម្មវិធីភាគច្រើនបង្ខំអ្នកឱ្យសម្របសម្រួល៖ ទ្រាំស្តាប់សំឡេងមនុស្សយន្ត ឬបោះបង់ភាពឯកជនទៅម៉ាស៊ីនមេ AI ពពក។

GemReader ដើរតាមផ្លូវខុសគ្នាទាំងស្រុង។ យើងបានបង្កើតស្ថាបត្យកម្ម Dual-Engine ក្រៅបណ្តាញទាំងស្រុង ដែលផ្តល់ឱ្យអ្នកនូវអ្វីដែលល្អបំផុតទាំងពីរ ដោយមិនប៉ះពាល់ដល់សិទ្ធិឯកជនភាពរបស់អ្នក។

តាមរយៈការរួមបញ្ចូលគ្នានូវម៉ាស៊ីនឧបករណ៍ដើម ដែលមានជាទូទៅ ជាមួយនឹងម៉ូដែល Local Neural AI នៅក្នុងឧបករណ៍ផ្ទាល់ អ្នកទទួលបានការគ្រប់គ្រងទាំងស្រុងលើសំឡេងសៀវភៅរបស់អ្នក។

ស្រទាប់ទីមួយរបស់យើងគឺម៉ាស៊ីន Native Device TTS។ បង្កើតឡើងដោយផ្ទាល់នៅលើក្របខ័ណ្ឌនៃប្រព័ន្ធប្រតិបត្តិការរបស់អ្នក វាផ្តល់នូវការបង្កើតសំឡេងភ្លាមៗ គ្មានភាពយឺតយ៉ាវ ឆ្លងកាត់ 12+ ភាសាអន្តរជាតិ។

វាមិនតម្រូវឱ្យមានការទាញយកបន្ថែមទេ ហើយដំណើរការដោយប្រើអង្គចងចាំទាបបំផុត។ យើងក៏បានរៀបចំមុខងារការពារការរំខានពីប្រព័ន្ធ—ដូច្នេះប្រសិនបើមានការហៅទូរសព្ទចូល សៀវភៅរបស់អ្នកនឹងផ្អាកយ៉ាងរលូន។

ម៉ាស៊ីននេះល្អឥតខ្ចោះសម្រាប់ការស្តាប់ដោយមិនប្រើដៃ ស្រាល និងភ្លាមៗ។

សម្រាប់អ្នកអានដែលចង់បានភាពកក់ក្តៅ និងសំនៀងធម្មជាតិនៃអ្នកនិទានរឿងជាមនុស្ស យើងបានបញ្ចូល Sherpa-onnx runtime ដែលជំរុញម៉ូដែល Piper LibriTTS-R neural។

នេះគឺជាកន្លែងដែលភាពអស្ចារ្យពិតប្រាកដកើតឡើង។ វាផ្តល់ឱ្យអ្នកនូវសិទ្ធិចូលប្រើប្រវត្តិសំឡេងអ្នកនិយាយជាង 900+ ដែលអនុញ្ញាតឱ្យអ្នកជ្រើសរើសសំឡេងច្បាស់លាស់។ ហើយដោយសារវាប្រើប្រាស់បំពង់បង្ហូរទិន្នន័យដែលមានភាពយឺតយ៉ាវទាប សំឡេងចាប់ផ្តើមស្ទើរតែភ្លាមៗ។

សំខាន់បំផុត Neural AI នេះគឺ 100% ក្រៅបណ្តាញ។ ការសំយោគការនិយាយកើតឡើងទាំងស្រុងនៅលើខួរក្បាលទូរសព្ទរបស់អ្នក។ គ្មានទិន្នន័យអត្ថបទ ឬទម្លាប់ស្តាប់ត្រូវបានបញ្ជូនទៅម៉ាស៊ីនមេខាងក្រៅទេ។

មិនថាអ្នកកំពុងអានលឿននៅ 2.0x ឬបន្ថយល្បឿនទៅ 0.75x ដើម្បីស្ទាត់ជំនាញភាសាថ្មីទេ ម៉ាស៊ីនទាំងពីរសម្របខ្លួនយ៉ាងរលូន។ Local Neural AI របស់យើងថែមទាំងមានការកែតម្រូវកម្រិតសំឡេងក្នុងពេលវេលាជាក់ស្តែង ដូច្នេះការផ្លាស់ប្តូរល្បឿនមិនដែលធ្វើឱ្យសំឡេងធម្មជាតិខូចទ្រង់ទ្រាយឡើយ។

ជាមួយនឹងមូលដ្ឋានគ្រឹះម៉ាស៊ីនពីរនេះ អ្នកអាចប្តូរយ៉ាងរលូនរវាងការអានដោយមើល ការស្តាប់សុទ្ធសាធ ឬការបញ្ចូលគ្នាដ៏មានឥទ្ធិពលនៃទាំងពីរ—ទាំងអស់ពីសុវត្ថិភាពនៃបណ្ណាល័យឯកជន ក្រៅបណ្តាញរបស់អ្នក។