EPUBを
オーディオブックに

単語ごとのタイミングはストリーミングで得る

Cartesiaの通常の音声合成エンドポイントは、音声しか返しません。文字を追うためのファイルには各単語の時刻が必要で、それを返すのはストリーミングのエンドポイントだけです。アプリはuse_normalized_timestamps=Falseも設定し、$5のような単語を書かれたとおりに残すので、強調表示が本の文と一致します。

音声はどの章よりも先に決まる

配役は変換を始める前に一度だけ決めるので、並列の処理や再実行でも、どの登場人物をどの声が読むかが変わりません。「とアリスは言った」のような話し手の表示がないせりふは、直前の話し手に割り当てます。ただし、2人が続けて段落ごとにせりふを交わしている場合は、もう一方の人物に割り当てます。

会話の手がかりで感情を決める

英語の会話では、せりふの隣にwhispered、shouted、sobbedのような言葉があると、Sonicはそのせりふを穏やかに、怒って、悲しげに読みます。laughedがあると、せりふの前に笑い声が入ります。

音声を選ぶ

out/cast.jsonを編集して、もう一度実行します。配役を使い回すには、--cast_fileで自分のファイルを渡します。値には、Archieのような組み込みの声の名前を使えます。play.cartesia.ai/voicesにある任意の音声IDも使えます。

音声を1つにする

--cast_mode narratorで実行すると、会話も含めて本全体を1つの声で読みます。その声は--voice_nameで選びます。

別の言語の本を変換する

--language frなど、Sonicの言語コードを渡します。登場人物ごとの声はそのまま使えます。感情や笑いの指定は英語でしか働きません。