Mejora la claridadde la voz generada con IA

Esta página se centra en mejorar la voz nueva generada a partir de texto con Cartesia Sonic. Puedes elegir una voz más adecuada, ajustar el guion, orientar el ritmo y el volumen y usar diccionarios de pronunciación. Estos controles actúan durante la generación de voz.

Esta página no ofrece una herramienta para subir y limpiar audio. Sonic genera voz a partir de texto. Eliminar siseos, eco o sonidos de fondo de una grabación existente es una tarea de restauración de audio y requiere una herramienta diseñada para ello.

Empieza con frases completas y puntuación natural. Divide los párrafos densos en frases claras. Si la voz sigue siendo demasiado rápida, prueba una velocidad menor y vuelve a generar el fragmento. La velocidad sirve como orientación, no como multiplicador exacto de la duración; compara el resultado con la misma voz y el mismo guion.

Prueba la palabra dentro de una frase completa antes de cambiarla. Los diccionarios de pronunciación pueden sustituir una palabra o frase por una indicación fonética aproximada o en AFI. Crea el diccionario en Playground o mediante la API y úsalo en las solicitudes que lo necesiten. Comprueba la frase que la rodea después de cada cambio.

Sonic interpreta el contexto emocional del guion y también admite indicaciones de emoción mediante Playground y la API. Actualmente, las etiquetas de emoción admiten inglés. Elige una indicación que encaje con las palabras. Una instrucción contradictoria no producirá de forma fiable la interpretación que buscas.

Los controles se aplican a las voces estándar y a los clones de voz instantáneos. Los clones de voz profesionales aprenden el ritmo y el volumen de sus grabaciones de entrenamiento y no permiten cambiar esos parámetros en cada solicitud. Para un clon profesional, prepara grabaciones con la interpretación que buscas.

Comprueba primero el formato de salida. El audio PCM sin procesar necesita un reproductor configurado con la misma frecuencia de muestreo y codificación que el audio generado. Si no coinciden, la velocidad de reproducción puede cambiar o el sonido puede distorsionarse. Los archivos WAV o MP3 incluyen información del formato y resultan útiles al guardar audio para un reproductor compatible.

Sí. Conserva juntos el ID de voz, el guion y los parámetros de generación en tu flujo de trabajo. En una integración con la API, envía generation_config en cada solicitud que necesite esos parámetros e incluye el ID del diccionario de pronunciación cuando corresponda. La API no convierte generation_config en una preferencia para toda la cuenta.

Sí. Empieza con el guion que escuchará tu público y genera una sección breve antes de producir toda la narración. Comprueba los nombres, las pausas y el ritmo de las explicaciones junto con el montaje. Si una frase cuesta seguirla, reescríbela antes de cambiar varios parámetros de voz. Usa el mismo fragmento de prueba al comparar revisiones.

Añade los nombres recurrentes a un diccionario de pronunciación y pruébalos en frases completas. En un flujo con la API, envía el ID de ese diccionario en la solicitud. Actualiza el diccionario cuando cambie el nombre de un producto o la pronunciación preferida, en lugar de reescribir grafías fonéticas en cada guion.

La vista previa permite editar el texto y ajustar la velocidad y el volumen antes de generar voz. Mantén las mismas palabras en la comparación inicial y vuelve a escuchar después de cambiar un control. Abre Playground para explorar otras voces y diccionarios de pronunciación. La vista previa genera voz nueva a partir de texto; no procesa una grabación subida.