"W końcu wykupiłem subskrypcję i sklonowałem swój głos...
Dlaczego brzmi to tak sztucznie i niechlujnie?"
Witajcie. Tu Sonetho. ⚡
Ostatnio coraz więcej osób, zainspirowanych naszymi wpisami, decyduje się na stworzenie własnego modelu Professional Voice Cloning (PVC). Często jednak otrzymujemy pytania od twórców, którzy nie są zadowoleni z finalnego brzmienia.
Zapewniam Was – to nie wina Waszego głosu.
To wina danych treningowych (scenariusza).
1. AI uczy się dokładnie tego, co mu dostarczysz
Wielu twórców, chcąc wytrenować model, sięga po pierwszą lepszą książkę lub artykuł z sieci. Oczywiście nie jest to błąd, ale ma swoje istotne wady.
- Brak liczb i jednostek: Jak AI ma poprawnie odczytać "120 mmHg"? Jeśli model nie został z tym odpowiednio „oswojony”, przy każdej wartości liczbowej będzie się zacinać.
- Skrótowce: Czy "ISO 9001" to „i-so”, czy każda litera z osobna? AI tego nie odgadnie, jeśli nie dostarczysz mu precyzyjnych danych.
- Niewystarczająca różnorodność danych: Choć do PVC wystarczy 30 minut nagrania, im bogatszy i bardziej zróżnicowany materiał dostarczysz, tym wyższa będzie jakość końcowa.
- Niespójność tonu: Jeśli trenujesz model wyłącznie na nudnych tekstach informacyjnych, a potem oczekujesz, że odczyta emocjonalny fragment – AI wciąż będzie brzmieć jak prezenter wiadomości (a to przepis na porażkę).
[Autorski zestaw treningowy od Sonetho]
Przygotowaliśmy scenariusze idealne na 1-2 godziny nagrań
"Jakość danych wejściowych (Input) determinuje jakość głosu (Output)."
To żelazna zasada w świecie generatywnego AI.
2. Scenariusz szkoleniowy stworzony przez Sonetho
Dlatego przygotowaliśmy coś specjalnego. Nie kopiowaliśmy przypadkowych tekstów. Przetestowaliśmy dziesiątki modeli i wyłapaliśmy wszystkie przypadki brzegowe (edge cases), z którymi AI ma największe problemy – w tym polską fonetykę czy trudne nazwy własne.
📜 Cechy naszego sekretnego scenariusza
- Przewodnik po wymowie: Obok trudnych zapisów dodaliśmy instrukcje czytania.
Przykład: 120 mmHg (sto dwadzieścia milimetrów słupa rtęci) - Różnorodność gatunków: Zawiera teksty emocjonalne, publicystyczne oraz techniczne, aby model nauczył się pełnej gamy intonacji.
- Obsługa symboli: Uczymy AI naturalnej interpretacji znaków takich jak @ (małpa), # (hashtag), % (procenty).
Jeśli nagrasz od 30 minut do 3 godzin materiału, korzystając z tego przygotowanego przez nas scenariusza, Twój model AI stanie się prawdziwym High Quality PVC, który bezbłędnie poradzi sobie z każdym wyzwaniem.
3. Jak zdobyć i korzystać ze scenariusza?
Udostępniamy te materiały zupełnie za darmo dla naszych czytelników. Całość jest dość obszerna, dlatego przygotowaliśmy ją w osobnym, dedykowanym wpisie.
Kliknij poniższy przycisk, aby zapoznać się ze scenariuszem i rozpocząć nagrywanie!
Pamiętajcie, że w planie Starter funkcja Professional Voice Cloning (PVC) jest niedostępna!
Aby stworzyć i korzystać z własnego modelu PVC, wybierz plan Creator (22 USD miesięcznie) lub wyższy.
❓ Często zadawane pytania (FAQ)
Q1. Wyniki PVC są niewyraźne i brzmią nienaturalnie. Czy to wina mojego głosu?
A. To najpewniej wina danych treningowych, czyli scenariusza, a nie samego głosu.
AI uczy się dokładnie tego, co mu podasz.
Jeśli użyjesz przypadkowych fragmentów powieści lub artykułów z wiadomościami, model nie nauczy się poprawnej wymowy liczb, jednostek miar ani skrótów angielskich.
W rezultacie AI będzie się zacinać za każdym razem, gdy napotka takie wyrażenia.
Q2. W czym tkwi problem, jeśli użyję dowolnej książki do nauki?
A. Brakuje czterech kluczowych elementów.
Po pierwsze, liczb i jednostek miar. AI nie będzie wiedzieć, jak odczytać "120mmHg".
Po drugie, angielskich skrótów. AI nie wie, czy "ISO 9001" należy przeczytać jako poszczególne litery, czy jako jedno słowo.
Po trzecie, ilości danych. Choć proces można wykonać przy minimum 30 minutach nagrań, jakość znacznie rośnie wraz z objętością danych.
Po czwarte, tonu i stylu. Jeśli model uczył się tylko na sztywnych wiadomościach, to nawet przy emocjonalnych kwestiach będzie brzmiał jak prezenter telewizyjny.
Q3. Czym różni się scenariusz przeznaczony do nauki AI?
A. Został zaprojektowany tak, aby obejmować punkty, w których AI najczęściej się gubi.
Obok kłopotliwych jednostek umieściliśmy zapis fonetyczny. Na przykład obok 120mmHg dopisaliśmy wymowę.
Mieszamy powieści, wiadomości oraz teksty naukowe, aby AI nauczyło się różnych tonów i stylów wypowiedzi.
Dodaliśmy także instrukcje, jak czytać znaki specjalne, takie jak małpa, hashtag czy procent.
Q4. Jak długie powinno być nagranie?
A. Wystarczy poprawnie nagrać od 30 minut do 3 godzin materiału.
Przygotowane przez nas scenariusze mają łączną długość od 1 do 2 godzin.
Pamiętaj, że im więcej danych dostarczysz, tym wyższa będzie jakość końcowa.
Q5. Czy plan Starter pozwala na to działanie?
A. W planie Starter funkcja klonowania głosu (PVC) jest niedostępna.
Możliwość tworzenia i korzystania z PVC zaczyna się od planu Creator.
Dziękujemy.
Sonetho ⚡