आवाज आणि भाषा
Readalix सहा वेगवेगळ्या प्रकारच्या आवाजांत बोलते. बोलणे कुठे तयार होते, तुम्हाला किती खर्च येतो आणि शब्द हायलाइट किती अचूक बसतो, यात ते वेगळे आहेत.
आवाज कुठे असतात
दोन ठिकाणी, दोन वेगळ्या कामांसाठी.
- टूलबारआवाज बटण तुम्ही ज्या भाषेत आहात तिचे आवाज स्रोतानुसार गटात दाखवते. समोरच्या वाचनासाठी, वाक्याच्या मध्यातही, आवाज इथे बदलता येतो.
- सेटिंग्ज, भाषा & आवाजप्रत्येक भाषेची एक ओळ, आणि प्रत्येक ओळीवर आवाज बटण जे त्या भाषेची पूर्ण यादी उघडते. आवाज डाउनलोड करणे, API की पेस्ट करणे, कधीच न वापरलेले लपवणे आणि बाकीचे हव्या त्या क्रमाने ओढणे, इथे होते.
आठ स्रोत
भाषेच्या आवाज यादीत, स्रोत वरच्या निवडकात असतो: ब्राउझर, Microsoft, Piper, Kokoro, Supertonic, Gemini, OpenAI आणि ElevenLabs, प्रत्येकासमोर त्या भाषेतील आवाजांची संख्या. देण्यासारखे काही नसलेला स्रोतही यादीत असतो, त्यामुळे त्याचा विचार झाला हे दिसते. निवडकाशेजारी लांब याद्यांसाठी शोध बॉक्स आणि स्रोताचे वर्णन उघडणारे छोटे माहिती बटण आहे.
| स्रोत | काय हवे | बोलणे कुठे तयार होते | दैनिक भत्त्यात मोजले जाते |
|---|---|---|---|
| ब्राउझर | काहीही नाही. हे तुमच्या ऑपरेटिंग सिस्टममध्ये आधीच असलेले आवाज आहेत. | तुमच्या संगणकावर | नाही, नेहमी मोफत |
| Microsoft | काहीही नाही. की नाही, डाउनलोड नाही. 142 लोकेलमध्ये 322 न्यूरल आवाज. | Microsoft ची सेवा | हो |
| Piper | प्रत्येक आवाजासाठी एकदाच डाउनलोड, प्रत्येकी काही मेगाबाइट. 35 भाषांमध्ये 118 आवाज. | तुमच्या संगणकावर | हो |
| Kokoro | प्रत्येक भाषेसाठी एक सामायिक मॉडेल: 28 इंग्रजी आवाजांसाठी 155 MB, 6 मँडरिन आवाजांसाठी 127 MB. | तुमच्या संगणकावर | हो |
| Supertonic | 398 MB चे एक सामायिक मॉडेल, एकदाच डाउनलोड. दहा आवाज, आणि त्यातील प्रत्येक समर्थित सर्व 31 भाषा बोलतो. | तुमच्या संगणकावर | हो |
| Gemini | तुमची स्वतःची Google AI API की. 30 भावपूर्ण आवाज. | Google ची सेवा | हो |
| OpenAI | तुमची स्वतःची OpenAI API की. 13 आवाज. | OpenAI ची सेवा | हो |
| ElevenLabs | तुमची स्वतःची ElevenLabs API की. त्याचे जिवंत आवाज, आणि तुमच्या ElevenLabs खात्यात तुम्ही क्लोन किंवा सेव्ह केलेले आवाजही. | ElevenLabs ची सेवा | हो |
ब्राउझर टॅबमध्ये Chrome चे स्वतःचे Google … (Natural) आवाजही असू शकतात. ते तुमच्या सिस्टमचे नाही तर Chrome च्या रीडिंग मोडचे आहेत, त्यामुळे Readalix ने शांतपणे एक वापरून पाहिल्यावर आणि त्याने उत्तर दिल्यावरच ते दिले जातात. Chrome त्याचा स्वतःचा रीडिंग मोड पहिल्यांदा काही मोठ्याने वाचतो तेव्हा ते इंजिन लोड करते, त्यामुळे रीस्टार्ट केल्यानंतर लगेच ते आवाज नसू शकतात आणि त्याच सत्रात नंतर दिसू लागतात.
गोपनीयता, एका ओळीत. ब्राउझर, Piper, Kokoro आणि Supertonic आवाज तुमच्याच संगणकावर तयार होतात, त्यामुळे मजकूर ब्राउझरबाहेर जात नाही. Microsoft, Gemini, OpenAI आणि ElevenLabs हे क्लाउड आवाज आहेत: वाचले जाणारे वाक्य बोलले जाण्यासाठी त्या प्रदात्याला पाठवले जाते. तुमच्या API की डिव्हाइसवरच राहतात, कधीही सिंक होत नाहीत आणि आम्हाला कधीही पाठवल्या जात नाहीत. गोपनीयता धोरण हे पूर्णपणे सांगते.
आधी ऐकून पाहा
प्रत्येक आवाजाच्या ओळीवर छोटे प्ले बटण असते. ते दाबा आणि तो आवाज नमुना बोलतो, त्यामुळे तुम्ही नावाऐवजी कानाने निवडू शकता. नमुना वाजवल्याने तुमचा सध्याचा आवाज बदलत नाही, आणि एका वेळी एकच नमुना वाजतो.
स्थानिक आवाज डाउनलोड करणे
Piper आवाज एकेक करून डाउनलोड होतात: ओळ आकार दाखवते, ती दाबल्यावर डाउनलोड सुरू होते आणि टक्केवारीत बदलते, डिस्कवर आल्यावर काढा बटण बनते. Kokoro आणि Supertonic प्रत्येकी एकच मॉडेल असून ते त्यांच्या सर्व आवाजांत सामायिक असते, त्यामुळे त्या टॅबवर एकच डाउनलोड नियंत्रण असते: Supertonic साठी 398 MB, आणि Kokoro साठी प्रत्येक भाषेचे एक मॉडेल, इंग्रजीसाठी 155 MB किंवा मँडरिनसाठी 127 MB. डाउनलोड चालू असतानाही यादी वापरता येते, त्यामुळे तोपर्यंत दुसऱ्या आवाजात वाचन सुरू ठेवता येते.
स्थानिक आवाज एकदा डाउनलोड झाला की त्याला नेटवर्कची अजिबात गरज नसते, त्यामुळे विमानात किंवा कमजोर कनेक्शनवर तोच वापरावा.
डाउनलोड अयशस्वी झाल्यास ओळ कारण सांगते. कनेक्ट होत नाही म्हणजे तुमचे नेटवर्क डाउनलोड सर्व्हरपर्यंत पोहोचू शकत नाही, त्यामुळे ते पोहोचेपर्यंत पुन्हा प्रयत्न करून उपयोग नाही; तोपर्यंत तुमचे इतर आवाज वाचन सुरू ठेवतात. डिस्क भरली म्हणजे पुरेशी मोकळी जागा नाही, आणि खालील टीप आवाजाला किती हवी ते सांगते. अयशस्वी · पुन्हा प्रयत्न करा म्हणजे डाउनलोड मध्येच तुटले, आणि पुन्हा प्रयत्न केल्याने सहसा ते पूर्ण होते.
API की जोडणे
- सेटिंग्ज उघडा, मग भाषा आणि आवाज, मग हवी त्या भाषेवरील आवाज बटण.
- Gemini, OpenAI किंवा ElevenLabs टॅब निवडा.
- तुमची की त्या टॅबवरील फील्डमध्ये पेस्ट करा. जतन करण्यापूर्वी ती प्रदात्याकडून तपासली जाते, त्यामुळे टायपो पहिल्या वाचनाऐवजी लगेच कळतो.
जतन केलेली की छोट्या चिपसारखी दिसते आणि शेजारी API की काढा बटण असते. की फक्त त्याच डिव्हाइसवर साठवली जाते. ती तुमच्या इतर संगणकांवर सिंक होत नाही, आणि Readalix पर्यंत कधीही पोहोचत नाही.
ElevenLabs मध्ये काही जास्तीच्या सुविधा आहेत. की सेव्ह होताच तुमच्या ElevenLabs खात्यातील आवाज यादीत येतात, तुम्ही क्लोन केलेले आवाजही. मॉडेल मेनूमध्ये गुणवत्ता आणि क्रेडिट यांच्यात निवड करता येते, या महिन्याच्या ElevenLabs क्रेडिटपैकी किती वापरले ते एक रिंग दाखवते, आणि ज्या मॉडेलमध्ये ही सोय आहे तिथे बोलण्याची शैली बॉक्स (उदा. शांत, उबदार कथाकार) प्रत्येक वाक्य कोणत्या भावात वाचले जाईल ते ठरवतो. शैलीची स्वतःची लांबीही प्रत्येक वाक्याच्या क्रेडिटमध्ये जोडली जाते.
भाषा निवडणे
टूलबारचे भाषा बटण मजकूर कोणत्या भाषेचा मानायचा ते ठरवते, आणि त्यावरून कोणते आवाज दिले जातात व वाक्ये कशी तोडली जातात ते ठरते. भाषा त्यांच्या स्वतःच्या नावाने, प्रत्येक भाषेची एक नोंद अशा यादीत आहेत, आणि शोध बॉक्स मूळ नाव, इंग्रजी नाव किंवा देश जुळवतो, त्यामुळे “Arabic”, “Egypt” आणि “مصر” तीच ओळ शोधतात.
ती यादी तुमची करण्याचे दोन मार्ग, दोन्ही सेटिंग्ज, भाषा & आवाज मध्ये:
- तुम्ही न बोलणाऱ्या भाषा लपवाभाषेच्या ओळीवरील स्विच तिला टूलबारच्या मेनूबाहेर ठेवतो. ओळ सेटिंग्जमध्ये मंद दिसत राहते, त्यामुळे ती परत आणता येते.
- स्वतः क्रम लावाओळ तिच्या पकडीने ओढा. टूलबारचा भाषा मेनूही तोच क्रम वापरतो. हात न लावल्यास यादी एकच क्रम ठेवते आणि स्वतः कधीच बदलत नाही.
त्याच पानावर एक्स्टेंशनच्या स्वतःच्या इंटरफेस भाषेचा टॉगल आहे, ज्या ओळीच्या भाषेत Readalix चे भाषांतर झाले आहे तिथे. अशा 52 भाषा आहेत.
एकापेक्षा जास्त लिपींत लिहिलेल्या पानाला यातले काहीही लागत नाही. प्रत्येक वाक्य ती लिपी उच्चारू शकणाऱ्या आवाजाने वाचले जाते, त्यामुळे अरबी, ग्रीक, हिब्रू किंवा चिनी उद्धृत करणारा इंग्रजी लेख सलग वाचला जातो, आणि फक्त दुसऱ्या लिपीतील भागांत आवाज बदलतो. साइटसाठी भाषा पिन केली असेल, तर मुख्य आवाज तीच ठरवते.
कोणते आवाज अचूक हायलाइट करतात
वाक्य हायलाइट नेहमी अचूक असतो. शब्द हायलाइट आवाज स्वतःची जागा सांगतो की नाही यावर अवलंबून असतो:
- अचूकMicrosoft, Kokoro आणि ElevenLabs आवाज प्रत्येक शब्दाची सुरुवात कळवतात, त्यामुळे हायलाइट बोलल्या जाणाऱ्या शब्दावरच बसतो.
- जवळपासPiper, Gemini आणि OpenAI आवाजांची वेळ त्यांनी तयार केलेल्या ऑडिओच्या खऱ्या कालावधीनुसार ठरते, त्यामुळे हायलाइट जवळ राहतो.
- अंदाजेकाही ब्राउझर आवाज काहीच कळवत नाहीत, त्यामुळे हायलाइट वाचनाचा वेग आणि प्रत्येक शब्दाची लांबी यावरून चालवला जातो. लांब वाक्यांत तो थोडा सरकतो.
आवाजांची यादी ओळीवरच तो कोणता प्रकार आहे ते सांगते, त्यामुळे निवडण्यापूर्वी अंदाज करावा लागत नाही.