Trenowanie profesjonalnego modelu głosu

Artykuł
09/23/2024

Z tego artykułu dowiesz się, jak wytrenować niestandardowy neuronowy głos za pośrednictwem portalu usługi Speech Studio.

Ważne

Niestandardowe trenowanie neuronowego głosu jest obecnie dostępne tylko w niektórych regionach. Po wytrenowanym modelu głosowym w obsługiwanym regionie możesz skopiować go do zasobu usługi Mowa w innym regionie zgodnie z potrzebami. Aby uzyskać więcej informacji, zobacz przypisy dolne w tabeli usługi Mowa.

Czas trwania szkolenia różni się w zależności od ilości używanych danych. Trenowanie niestandardowego neuronowego głosu trwa średnio około 40 godzin obliczeniowych. Użytkownicy subskrypcji standardowej (S0) mogą trenować cztery głosy jednocześnie. Jeśli osiągniesz limit, poczekaj, aż co najmniej jeden z modeli głosowych zakończy trenowanie, a następnie spróbuj ponownie.

Uwaga

Chociaż łączna liczba godzin wymaganych przez metodę trenowania jest różna, ta sama cena jednostkowa ma zastosowanie do każdej z nich. Aby uzyskać więcej informacji, zobacz niestandardowe szczegóły cennika trenowania neuronowego.

Wybieranie metody trenowania

Po zweryfikowaniu plików danych użyj ich do utworzenia niestandardowego modelu neuronowego głosu. Podczas tworzenia niestandardowego neuronowego głosu można go wytrenować przy użyciu jednej z następujących metod:

Neuronowe: utwórz głos w tym samym języku danych treningowych.
Neuronowe — krzyżowe: utwórz głos, który mówi innym językiem od danych treningowych. Na przykład przy użyciu danych treningowych zh-CN można utworzyć głos, który mówi en-US.

Język danych szkoleniowych i język docelowy muszą być jednym z języków obsługiwanych na potrzeby trenowania głosu krzyżowego. Nie musisz przygotowywać danych treningowych w języku docelowym, ale skrypt testowy musi być w języku docelowym.
Neuronowy — wiele stylów: utwórz niestandardowy neuronowy głos, który mówi w wielu stylach i emocjach bez dodawania nowych danych treningowych. Wiele głosów w stylu jest przydatnych w przypadku znaków gier wideo, czatbotów konwersacyjnych, audiobooków, czytników zawartości i nie tylko.

Aby utworzyć głos w wielu stylach, należy przygotować zestaw ogólnych danych treningowych, co najmniej 300 wypowiedzi. Wybierz co najmniej jeden z wstępnie ustawionych stylów mówienia docelowego. Można również utworzyć wiele stylów niestandardowych, udostępniając przykłady stylów, co najmniej 100 wypowiedzi na styl, jako dodatkowe dane treningowe dla tego samego głosu. Obsługiwane style ustawień wstępnych różnią się w zależności od różnych języków. Zobacz dostępne style ustawień wstępnych w różnych językach.

Język danych treningowych musi być jednym z języków, które są obsługiwane w przypadku niestandardowego neuronowego głosu, międzylingualnego lub wielu uczenia w stylu.

Trenowanie niestandardowego neuronowego modelu głosu

Aby utworzyć niestandardowy neuronowy głos w usłudze Speech Studio, wykonaj następujące kroki dla jednej z następujących metod:

Zaloguj się do programu Speech Studio.
Wybierz pozycję Niestandardowy głos><Nazwa>>projektu Train model>Train a new model (Uczenie nowego modelu).
Wybierz pozycję Neuronowe jako metodę trenowania modelu, a następnie wybierz pozycję Dalej. Aby użyć innej metody trenowania, zobacz Neuronowe — krzyżowe lub Neuronowe — wiele stylów.
Wybierz wersję przepisu szkoleniowego dla modelu. Domyślnie jest wybierana najnowsza wersja. Obsługiwane funkcje i czas trenowania mogą się różnić w zależności od wersji. Zwykle zalecamy najnowszą wersję. W niektórych przypadkach możesz wybrać wcześniejszą wersję, aby skrócić czas trenowania. Aby uzyskać więcej informacji na temat trenowania dwujęzycznego i różnic między ustawieniami regionalnymi, zobacz Szkolenie dwujęzyczne .

Uwaga

Wersje V2.2021.07modelu , , V4.2021.10V5.2022.05, V6.2022.11i V9.2023.10 zostaną wycofane do 1 października 2024 r. Modele głosowe utworzone już w tych wycofanych wersjach nie będą miały wpływu.
Wybierz dane, których chcesz użyć do trenowania. Z trenowania są usuwane zduplikowane nazwy audio. Upewnij się, że wybrane dane nie zawierają tych samych nazw audio w wielu plikach .zip .

Do trenowania można wybrać tylko pomyślnie przetworzone zestawy danych. Jeśli na liście nie widzisz zestawu szkoleniowego, sprawdź stan przetwarzania danych.
Wybierz plik osoby mówiącej z instrukcją talentu głosowego odpowiadającą głośnikowi w danych treningowych.
Wybierz Dalej.
Każde trenowanie automatycznie generuje 100 przykładowych plików audio, aby ułatwić przetestowanie modelu za pomocą skryptu domyślnego.

Opcjonalnie możesz również wybrać pozycję Dodaj własny skrypt testowy i podać własny skrypt testowy z maksymalnie 100 wypowiedziami, aby przetestować model bez dodatkowych kosztów. Wygenerowane pliki dźwiękowe są kombinacją skryptów testów automatycznych i niestandardowych skryptów testowych. Aby uzyskać więcej informacji, zobacz wymagania dotyczące skryptu testowego.
Wprowadź nazwę, aby ułatwić identyfikację modelu. Starannie wybierz nazwę. Nazwa modelu jest używana jako nazwa głosu w żądaniu syntezy mowy przez zestaw SDK i dane wejściowe SSML. Dozwolone są tylko litery, cyfry i kilka znaków interpunkcyjnych. Użyj różnych nazw dla różnych modeli neuronowych głosów.
Opcjonalnie wprowadź opis , aby ułatwić zidentyfikowanie modelu. Typowym zastosowaniem opisu jest zarejestrowanie nazw danych użytych do utworzenia modelu.
Wybierz Dalej.
Przejrzyj ustawienia i zaznacz pole, aby zaakceptować warunki użytkowania.
Wybierz pozycję Prześlij , aby rozpocząć trenowanie modelu.

Zaloguj się do programu Speech Studio.
Wybierz pozycję Niestandardowy głos><Nazwa>>projektu Train model>Train a new model (Uczenie nowego modelu).
Wybierz pozycję Neuronowy — styl wielostylowy jako metodę trenowania modelu. Aby użyć innej metody trenowania, zobacz Neuronowe lub Neuronowe — krzyżowe.
Wybierz co najmniej jeden wstępnie ustawiony styl mówienia do trenowania.
Wybierz dane, których chcesz użyć do trenowania. Z trenowania są usuwane zduplikowane nazwy audio. Upewnij się, że wybrane dane nie zawierają tych samych nazw audio w wielu plikach .zip .

Do trenowania można wybrać tylko pomyślnie przetworzone zestawy danych. Sprawdź stan przetwarzania danych, jeśli nie widzisz zestawu treningowego na liście.
Wybierz Dalej.
Opcjonalnie możesz dodać inne niestandardowe style mówienia. Maksymalna liczba stylów niestandardowych różni się w zależności od języków: English (United States) umożliwia maksymalnie 10 stylów niestandardowych, Chinese (Mandarin, Simplified) umożliwia maksymalnie cztery style niestandardowe i Japanese (Japan) umożliwia maksymalnie pięć stylów niestandardowych.
1. Wybierz pozycję Dodaj styl niestandardowy i wprowadź wybraną nazwę stylu niestandardowego. Ta nazwa jest używana przez aplikację w elemecie style języka znaczników syntezy mowy (SSML). Możesz również użyć niestandardowej nazwy stylu jako SSML przy użyciu narzędzia do tworzenia zawartości audio w programie Speech Studio.
2. Wybierz przykłady stylów jako dane szkoleniowe. Upewnij się, że dane treningowe niestandardowych stylów mówienia pochodzą z tego samego głośnika, co dane używane do tworzenia stylu domyślnego.
Wybierz Dalej.
Wybierz plik osoby mówiącej z instrukcją talentu głosowego odpowiadającą głośnikowi w danych treningowych.
Wybierz Dalej.
Każde trenowanie automatycznie generuje 100 przykładowych plików audio dla domyślnego stylu i 20 dla każdego stylu ustawień wstępnych, aby ułatwić przetestowanie modelu za pomocą skryptu domyślnego.

Opcjonalnie możesz również wybrać pozycję Dodaj własny skrypt testowy i podać własny skrypt testowy z maksymalnie 100 wypowiedziami, aby przetestować domyślny styl bez dodatkowych kosztów. Wygenerowane pliki dźwiękowe są kombinacją skryptów testów automatycznych i niestandardowych skryptów testowych. Aby uzyskać więcej informacji, zobacz wymagania dotyczące skryptu testowego.

Wprowadź nazwę, aby ułatwić identyfikację modelu. Starannie wybierz nazwę. Nazwa modelu jest używana jako nazwa głosu w żądaniu syntezy mowy przez zestaw SDK i dane wejściowe SSML. Dozwolone są tylko litery, cyfry i kilka znaków interpunkcyjnych. Użyj różnych nazw dla różnych modeli neuronowych głosów.
Opcjonalnie wprowadź opis , aby ułatwić zidentyfikowanie modelu. Typowym zastosowaniem opisu jest zarejestrowanie nazw danych użytych do utworzenia modelu.
Wybierz Dalej.
Przejrzyj ustawienia i zaznacz pole, aby zaakceptować warunki użytkowania.
Wybierz pozycję Prześlij , aby rozpocząć trenowanie modelu.

Trenowanie dwujęzyczne

Jeśli wybierzesz typ trenowania neuronowego , możesz wytrenować głos, aby mówić w wielu językach. Ustawienia zh-CNregionalne , i zh-TW obsługują szkolenia dwujęzyczne dla głosu, aby mówić zarówno w języku chińskim, jak i zh-HKangielskim. W zależności od danych treningowych syntetyzowany głos może mówić po angielsku z akcentem natywnym w języku angielskim lub angielskim z tym samym akcentem co dane szkoleniowe.

Uwaga

Aby włączyć głos w ustawieniach regionalnych, aby mówić po angielsku zh-CN z tym samym akcentem co przykładowe dane, należy wybrać Chinese (Mandarin, Simplified), English bilingual podczas tworzenia projektu lub określić zh-CN (English bilingual) ustawienia regionalne dla danych zestawu treningowego za pośrednictwem interfejsu API REST.

W poniższej tabeli przedstawiono różnice między ustawieniami regionalnymi:

Ustawienia regionalne programu Speech Studio	Ustawienia regionalne interfejsu API REST	Obsługa dwujęzyczna
`Chinese (Mandarin, Simplified)`	`zh-CN`	Jeśli przykładowe dane zawierają język angielski, syntetyzowany głos mówi po angielsku z akcentem natywnym w języku angielskim, zamiast tego samego akcentu co przykładowe dane, niezależnie od ilości danych w języku angielskim.
`Chinese (Mandarin, Simplified), English bilingual`	`zh-CN (English bilingual)`	Jeśli chcesz, aby syntetyzowany głos mówił po angielsku z tym samym akcentem co przykładowe dane, zalecamy uwzględnienie ponad 10% danych języka angielskiego w zestawie treningowym. W przeciwnym razie akcent angielski może nie być idealny.
`Chinese (Cantonese, Simplified)`	`zh-HK`	Jeśli chcesz wytrenować syntetyzowany głos zdolny do mówienia po angielsku z tym samym akcentem co przykładowe dane, upewnij się, że w zestawie treningowym udostępniasz ponad 10% danych angielskich. W przeciwnym razie domyślnie jest to akcent natywny w języku angielskim. Próg 10% jest obliczany na podstawie danych zaakceptowanych po pomyślnym przekazaniu, a nie na danych przed przekazaniem. Jeśli niektóre przekazane dane w języku angielskim zostaną odrzucone z powodu wad i nie spełniają progu 10%, syntetyzowany głos domyślnie jest akcentem natywnym w języku angielskim.
`Chinese (Taiwanese Mandarin, Traditional)`	`zh-TW`	Jeśli chcesz wytrenować syntetyzowany głos zdolny do mówienia po angielsku z tym samym akcentem co przykładowe dane, upewnij się, że w zestawie treningowym udostępniasz ponad 10% danych angielskich. W przeciwnym razie domyślnie jest to akcent natywny w języku angielskim. Próg 10% jest obliczany na podstawie danych zaakceptowanych po pomyślnym przekazaniu, a nie na danych przed przekazaniem. Jeśli niektóre przekazane dane w języku angielskim zostaną odrzucone z powodu wad i nie spełniają progu 10%, syntetyzowany głos domyślnie jest akcentem natywnym w języku angielskim.

Dostępne style ustawień wstępnych w różnych językach

Poniższa tabela zawiera podsumowanie różnych wstępnie ustawionych stylów zgodnie z różnymi językami.

Styl mówienia	Język (ustawienia regionalne)
zły	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
spokój	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
czat	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
radosny	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Niezadowolonych	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
podekscytowany	Angielski (Stany Zjednoczone) (`en-US`)
bojaźliwy	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
przyjacielski	Angielski (Stany Zjednoczone) (`en-US`)
Nadzieję	Angielski (Stany Zjednoczone) (`en-US`)
smutny	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Krzycząc	Angielski (Stany Zjednoczone) (`en-US`)
poważny	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Przerażony	Angielski (Stany Zjednoczone) (`en-US`)
nieprzyjazny	Angielski (Stany Zjednoczone) (`en-US`)
Whispering	Angielski (Stany Zjednoczone) (`en-US`)

¹ Styl neuronowego głosu jest dostępny w publicznej wersji zapoznawczej. Style w publicznej wersji zapoznawczej są dostępne tylko w następujących regionach usługi : Wschodnie stany USA, Europa Zachodnia i Azja Południowo-Wschodnia.

W tabeli Train model (Trenowanie modelu ) zostanie wyświetlony nowy wpis odpowiadający nowo utworzonemu modelowi. Stan odzwierciedla proces konwertowania danych na model głosowy, zgodnie z opisem w tej tabeli:

Stan	Znaczenie
Przetwarzanie	Tworzony jest model głosowy.
Powodzenie	Model głosowy został utworzony i można go wdrożyć.
Niepowodzenie	Model głosowy nie powiódł się podczas trenowania. Przyczyną awarii mogą być na przykład problemy z danymi lub problemy z siecią.
Anulowany	Szkolenie dla modelu głosowego zostało anulowane.

Gdy stan modelu to Przetwarzanie, możesz wybrać pozycję Anuluj trenowanie , aby anulować model głosowy. Nie są naliczane opłaty za anulowane szkolenie.

Zrzut ekranu przedstawiający sposób anulowania trenowania modelu.

Po pomyślnym zakończeniu trenowania modelu możesz przejrzeć szczegóły modelu i przetestować model głosowy.

Możesz użyć narzędzia do tworzenia zawartości audio w usłudze Speech Studio, aby utworzyć dźwięk i dostosować wdrożony głos. Jeśli ma zastosowanie do głosu, możesz wybrać jeden z wielu stylów.

Zmienianie nazwy modelu

Jeśli chcesz zmienić nazwę utworzonego modelu, wybierz pozycję Klonuj model , aby utworzyć klon modelu o nowej nazwie w bieżącym projekcie.
Wprowadź nową nazwę w oknie Klonowanie modelu głosowego , a następnie wybierz pozycję Prześlij. Tekst Neuronowy jest automatycznie dodawany jako sufiks do nowej nazwy modelu.

Testowanie modelu głosu

Po pomyślnym skompilowania modelu głosowego można użyć wygenerowanych przykładowych plików audio, aby przetestować go przed wdrożeniem.

Jakość głosu zależy od wielu czynników, takich jak:

Rozmiar danych treningowych.
Jakość nagrania.
Dokładność pliku transkrypcji.
Jak dobrze zarejestrowany głos w danych treningowych pasuje do osobowości zaprojektowanego głosu dla zamierzonego przypadku użycia.

Wybierz pozycję DomyślneTesty w obszarze Testowanie , aby nasłuchiwać przykładowych plików audio. Domyślne przykłady testów obejmują 100 przykładowych plików audio generowanych automatycznie podczas trenowania, co ułatwia przetestowanie modelu. Oprócz tych 100 plików audio dostarczanych domyślnie własne wypowiedzi skryptu testowego są również dodawane do zestawu DefaultTests . Ten dodatek jest w większości 100 wypowiedzi. Nie są naliczane opłaty za testowanie za pomocą opcji DefaultTests.

Zrzut ekranu przedstawiający wybieranie pozycji DefaultTests (Testy domyślne) w obszarze Testing (Testowanie).

Jeśli chcesz przekazać własne skrypty testowe w celu dalszego testowania modelu, wybierz pozycję Dodaj skrypty testowe , aby przekazać własny skrypt testowy.

Zrzut ekranu przedstawiający dodawanie skryptów testowych modelu.

Przed przekazaniem skryptu testowego sprawdź wymagania skryptu testowego. Opłata jest naliczana za dodatkowe testowanie za syntezę wsadową na podstawie liczby znaków podlegających rozliczaniu. Zobacz Cennik usługi Azure AI Speech.

W obszarze Dodaj skrypty testowe wybierz pozycję Przeglądaj, aby wybrać własny skrypt, a następnie wybierz pozycję Dodaj , aby go przekazać.

Zrzut ekranu przedstawiający przekazywanie skryptów testowych modelu.

Wymagania testów skryptowych

Skrypt testowy musi być plikiem .txt , który jest mniejszy niż 1 MB. Obsługiwane formaty kodowania obejmują ANSI/ASCII, UTF-8, UTF-8-BOM, UTF-16-LE lub UTF-16-BE.

W przeciwieństwie do plików transkrypcji trenowania skrypt testowy powinien wykluczyć identyfikator wypowiedzi, który jest nazwą pliku każdej wypowiedzi. W przeciwnym razie te identyfikatory są mówione.

Oto przykładowy zestaw wypowiedzi w jednym pliku .txt :

This is the waistline, and it's falling.
We have trouble scoring.
It was Janet Maslin.

Każdy akapit wypowiedzi powoduje utworzenie oddzielnego dźwięku. Jeśli chcesz połączyć wszystkie zdania w jeden dźwięk, utwórz je w jednym akapicie.

Uwaga

Wygenerowane pliki dźwiękowe są kombinacją skryptów testów automatycznych i niestandardowych skryptów testowych.

Aktualizowanie wersji aparatu dla modelu głosowego

Aparaty zamiany tekstu na mowę na platformę Azure są aktualizowane od czasu do czasu w celu przechwycenia najnowszego modelu językowego definiującego wymowę języka. Po wytrenowania głosu możesz zastosować głos do nowego modelu językowego, aktualizując go do najnowszej wersji aparatu.

Po udostępnieniu nowego aparatu zostanie wyświetlony monit o zaktualizowanie modelu neuronowego głosu.
Przejdź do strony szczegółów modelu i postępuj zgodnie z instrukcjami wyświetlanymi na ekranie, aby zainstalować najnowszy aparat.

Alternatywnie wybierz pozycję Zainstaluj najnowszy aparat później, aby zaktualizować model do najnowszej wersji aparatu.

Nie są naliczane opłaty za aktualizację aparatu. Poprzednie wersje są nadal przechowywane.
Możesz sprawdzić wszystkie wersje aparatu dla modelu z listy Wersji aparatu lub usunąć je, jeśli nie są już potrzebne.

Zaktualizowana wersja jest automatycznie ustawiana jako domyślna. Możesz jednak zmienić domyślną wersję, wybierając wersję z listy rozwijanej i wybierając pozycję Ustaw jako domyślną.

Jeśli chcesz przetestować każdą wersję aparatu modelu głosowego, możesz wybrać wersję z listy, a następnie wybrać pozycję DefaultTests w obszarze Testowanie , aby nasłuchiwać przykładowych plików audio. Jeśli chcesz przekazać własne skrypty testowe, aby dokładniej przetestować bieżącą wersję aparatu, najpierw upewnij się, że wersja jest ustawiona jako domyślna, a następnie wykonaj kroki opisane w temacie Testowanie modelu głosu.

Aktualizowanie aparatu powoduje utworzenie nowej wersji modelu bez dodatkowych kosztów. Po zaktualizowaniu wersji aparatu dla modelu głosowego należy wdrożyć nową wersję, aby utworzyć nowy punkt końcowy. Można wdrożyć tylko wersję domyślną.

Zrzut ekranu przedstawiający sposób ponownego wdrażania nowej wersji modelu głosu.

Po utworzeniu nowego punktu końcowego należy przenieść ruch do nowego punktu końcowego w produkcie.

Aby dowiedzieć się więcej na temat możliwości i limitów tej funkcji oraz najlepszych rozwiązań w celu poprawy jakości modelu, zobacz Charakterystykę i ograniczenia dotyczące używania niestandardowego neuronowego głosu.

Kopiowanie modelu głosu do innego projektu

Model głosowy można skopiować do innego projektu dla tego samego regionu lub innego regionu. Można na przykład skopiować model neuronowego głosu, który został wytrenowany w jednym regionie, do projektu dla innego regionu.

Uwaga

Niestandardowe trenowanie neuronowego głosu jest obecnie dostępne tylko w niektórych regionach. Możesz skopiować model neuronowego głosu z tych regionów do innych regionów. Aby uzyskać więcej informacji, zobacz regiony niestandardowego neuronowego głosu.

Aby skopiować niestandardowy model neuronowego głosu do innego projektu:

Na karcie Trenowanie modelu wybierz model głosowy, który chcesz skopiować, a następnie wybierz pozycję Kopiuj do projektu.
Wybierz pozycję Subskrypcja, Region, Zasób mowy i Projekt, w którym chcesz skopiować model. Musisz mieć zasób mowy i projekt w regionie docelowym, w przeciwnym razie musisz je najpierw utworzyć.
Wybierz pozycję Prześlij , aby skopiować model.
Wybierz pozycję Wyświetl model w obszarze komunikatu powiadomienia o pomyślnym skopiowaniu.

Przejdź do projektu, w którym skopiowano model, aby wdrożyć kopię modelu.

Następne kroki

Wdrażanie profesjonalnego punktu końcowego głosu

Z tego artykułu dowiesz się, jak wytrenować niestandardowy neuronowy głos za pomocą niestandardowego interfejsu API głosu.

Ważne

Uwaga

Wybieranie metody trenowania

Neuronowe: utwórz głos w tym samym języku danych treningowych.
Neuronowe — krzyżowe: utwórz głos, który mówi innym językiem od danych treningowych. Na przykład przy użyciu danych treningowych fr-FR można utworzyć głos, który mówi en-US.

Język danych szkoleniowych i język docelowy muszą być jednym z języków obsługiwanych na potrzeby trenowania głosu krzyżowego. Nie musisz przygotowywać danych treningowych w języku docelowym, ale skrypt testowy musi być w języku docelowym.
Neuronowy — wiele stylów: utwórz niestandardowy neuronowy głos, który mówi w wielu stylach i emocjach bez dodawania nowych danych treningowych. Wiele głosów w stylu jest przydatnych w przypadku znaków gier wideo, czatbotów konwersacyjnych, audiobooków, czytników zawartości i nie tylko.

Aby utworzyć głos w wielu stylach, należy przygotować zestaw ogólnych danych treningowych, co najmniej 300 wypowiedzi. Wybierz co najmniej jeden z wstępnie ustawionych stylów mówienia docelowego. Można również utworzyć wiele stylów niestandardowych, udostępniając przykłady stylów, co najmniej 100 wypowiedzi na styl, jako dodatkowe dane treningowe dla tego samego głosu. Obsługiwane style ustawień wstępnych różnią się w zależności od różnych języków. Zobacz dostępne style ustawień wstępnych w różnych językach.

Język danych treningowych musi być jednym z języków, które są obsługiwane w przypadku niestandardowego neuronowego głosu, lingualistów lub trenowania w wielu stylach.

Tworzenie modelu głosu

Aby utworzyć głos neuronowy, użyj Models_Create operacji niestandardowego interfejsu API głosu. Skonstruuj treść żądania zgodnie z następującymi instrukcjami:

Ustaw wymaganą projectId właściwość. Zobacz Tworzenie projektu.
Ustaw wymaganą consentId właściwość. Zobacz dodawanie zgody na talent głosowy.
Ustaw wymaganą trainingSetId właściwość. Zobacz tworzenie zestawu treningowego.
Ustaw wymaganą właściwość przepis kind na wartość Default na potrzeby trenowania neuronowego głosu. Rodzaj przepisu wskazuje metodę trenowania i nie można jej później zmienić. Aby użyć innej metody trenowania, zobacz Neuronowe — krzyżowe lub Neuronowe — wiele stylów. Aby uzyskać więcej informacji na temat trenowania dwujęzycznego i różnic między ustawieniami regionalnymi, zobacz Szkolenie dwujęzyczne .
Ustaw wymaganą voiceName właściwość. Nazwa głosu musi kończyć się ciągiem "Neuronowe" i nie można jej później zmienić. Starannie wybierz nazwę. Nazwa głosu jest używana w żądaniu syntezy mowy przez zestaw SDK i dane wejściowe SSML. Dozwolone są tylko litery, cyfry i kilka znaków interpunkcyjnych. Użyj różnych nazw dla różnych modeli neuronowych głosów.
Opcjonalnie ustaw description właściwość opisu głosu. Opis głosu można zmienić później.

Utwórz żądanie HTTP PUT przy użyciu identyfikatora URI, jak pokazano w poniższym przykładzie Models_Create .

Zastąp YourResourceKey ciąg kluczem zasobu usługi Mowa.
Zastąp YourResourceRegion element regionem zasobu usługi Mowa.
Zastąp JessicaModelId element wybranym identyfikatorem modelu. Identyfikator uwzględniający wielkość liter będzie używany w identyfikatorze URI modelu i nie można go później zmienić.

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId"
} '  "https://YourResourceRegion.api.cognitive.microsoft.com/customvoice/models/JessicaModelId?api-version=2024-02-01-preview"

Treść odpowiedzi powinna zostać wyświetlona w następującym formacie:

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default",
    "version": "V7.2023.03"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0",
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

Aby utworzyć wielojęzyczny głos neuronowy, użyj Models_Create operacji niestandardowego interfejsu API głosu. Skonstruuj treść żądania zgodnie z następującymi instrukcjami:

Ustaw wymaganą projectId właściwość. Zobacz Tworzenie projektu.
Ustaw wymaganą consentId właściwość. Zobacz dodawanie zgody na talent głosowy.
Ustaw wymaganą trainingSetId właściwość. Zobacz tworzenie zestawu treningowego.
Ustaw wymaganą właściwość przepisu kind na wartość CrossLingual na potrzeby trenowania głosu krzyżowego. Rodzaj przepisu wskazuje metodę trenowania i nie można jej później zmienić. Aby użyć innej metody trenowania, zobacz Neuronowe lub Neuronowe — wiele stylów.
Ustaw wymaganą voiceName właściwość. Nazwa głosu musi kończyć się ciągiem "Neuronowe" i nie można jej później zmienić. Starannie wybierz nazwę. Nazwa głosu jest używana w żądaniu syntezy mowy przez zestaw SDK i dane wejściowe SSML. Dozwolone są tylko litery, cyfry i kilka znaków interpunkcyjnych. Użyj różnych nazw dla różnych modeli neuronowych głosów.
Ustaw wymaganą locale właściwość dla języka, który mówi twój głos. Głos mówi innym językiem niż dane szkoleniowe. Dla modelu głosowego można określić tylko jeden język docelowy.
Opcjonalnie ustaw description właściwość opisu głosu. Opis głosu można zmienić później.

Utwórz żądanie HTTP PUT przy użyciu identyfikatora URI, jak pokazano w poniższym przykładzie Models_Create .

Zastąp YourResourceKey ciąg kluczem zasobu usługi Mowa.
Zastąp YourResourceRegion element regionem zasobu usługi Mowa.
Zastąp JessicaModelId element wybranym identyfikatorem modelu. Identyfikator uwzględniający wielkość liter będzie używany w identyfikatorze URI modelu i nie można go później zmienić.

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaCrossLingualNeural",
  "description": "Jessica cross lingual voice",
  "recipe": {
    "kind": "CrossLingual"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "Jessica-en-US-TrainingSetId",
  "locale": "fr-FR"
} '  "https://YourResourceRegion.api.cognitive.microsoft.com/customvoice/models/JessicaModelId?api-version=2024-02-01-preview"

Treść odpowiedzi powinna zostać wyświetlona w następującym formacie:

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeuralCrossLingual",
  "description": "Jessica cross lingual voice",
  "recipe": {
    "kind": "CrossLingual",
    "version": "V5.2023.07"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "Jessica-en-US-TrainingSetId",
  "locale": "fr-FR",
  "engineVersion": "2023.11.14.0",
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

Aby utworzyć wielomodelowy głos neuronowy, użyj Models_Create operacji niestandardowego interfejsu API głosu. Skonstruuj treść żądania zgodnie z następującymi instrukcjami:

Ustaw wymaganą projectId właściwość. Zobacz Tworzenie projektu.
Ustaw wymaganą consentId właściwość. Zobacz dodawanie zgody na talent głosowy.
Ustaw wymaganą trainingSetId właściwość. Zobacz tworzenie zestawu treningowego.
Ustaw wymaganą właściwość przepis kind na wartość MultiStyle na potrzeby trenowania głosu w wielu stylach. Rodzaj przepisu wskazuje metodę trenowania i nie można jej później zmienić. Aby użyć innej metody trenowania, zobacz Neuronowe lub Neuronowe — krzyżowe.
Ustaw wymaganą voiceName właściwość. Nazwa głosu musi kończyć się ciągiem "Neuronowe" i nie można jej później zmienić. Starannie wybierz nazwę. Nazwa głosu jest używana w żądaniu syntezy mowy przez zestaw SDK i dane wejściowe SSML. Dozwolone są tylko litery, cyfry i kilka znaków interpunkcyjnych. Użyj różnych nazw dla różnych modeli neuronowych głosów.
Ustaw wymaganą locale właściwość języka dla modelu głosowego.
Ustaw wymaganą presetStyles właściwość na co najmniej jeden z dostępnych stylów ustawień wstępnych dla języka docelowego.
Opcjonalnie ustaw styleTrainingSetIds właściwość w celu zapewnienia danych szkoleniowych dla niestandardowych stylów mówienia. Maksymalna liczba stylów niestandardowych różni się w zależności od języków: angielski (Stany Zjednoczone) umożliwia maksymalnie 10 stylów niestandardowych, chiński (mandaryński, uproszczony) umożliwia maksymalnie cztery style niestandardowe, a japoński (Japonia) umożliwia maksymalnie pięć stylów niestandardowych. Właściwość styleTrainingSetIds jest słownikiem nazw stylów i identyfikatorów zestawów szkoleniowych.
- Dla każdego klucza słownika określ wybraną nazwę stylu niestandardowego. Ta nazwa jest używana przez aplikację w elemecie style języka znaczników syntezy mowy (SSML).
- Dla każdej wartości słownika określ identyfikator zestawu szkoleniowego, który został już utworzony dla tego samego modelu głosu. Zestaw trenowania musi zawierać co najmniej 100 wypowiedzi dla każdego stylu.
Opcjonalnie ustaw description właściwość opisu głosu. Opis głosu można zmienić później.

Utwórz żądanie HTTP PUT przy użyciu identyfikatora URI, jak pokazano w poniższym przykładzie Models_Create .

Zastąp YourResourceKey ciąg kluczem zasobu usługi Mowa.
Zastąp YourResourceRegion element regionem zasobu usługi Mowa.
Zastąp JessicaModelId element wybranym identyfikatorem modelu. Identyfikator uwzględniający wielkość liter będzie używany w identyfikatorze URI modelu i nie można go później zmienić.

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaNeuralMultiStyle",
  "description": "Jessica multi-style voice",
  "recipe": {
    "kind": "MultiStyle"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "properties": {
    "presetStyles": [
      "cheerful",
      "sad"
    ],
    "styleTrainingSetIds": {
      "happyJessica": "JessicaHappyTrainingSetId",
      "myStyle2": "JessicaStyle2TrainingSetId"
    }
  }
} '  "https://YourResourceRegion.api.cognitive.microsoft.com/customvoice/models/JessicaModelId?api-version=2024-02-01-preview"

Treść odpowiedzi powinna zostać wyświetlona w następującym formacie:

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeuralMultiStyle",
  "description": "Jessica multi-style voice",
  "recipe": {
    "kind": "MultiStyle",
    "version": "V7.2023.03"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0","properties": {
    "presetStyles": [
      "cheerful",
      "sad"
    ],
    "styleTrainingSetIds": {
      "happyJessica": "JessicaHappyTrainingSetId",
      "myStyle2": "JessicaStyle2TrainingSetId"
    },
    "voiceStyles": [
      "cheerful",
      "sad",
      "happyJessica",
      "myStyle2"
    ]
  }
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

Trenowanie dwujęzyczne

Uwaga

W poniższej tabeli przedstawiono różnice między ustawieniami regionalnymi:

Ustawienia regionalne programu Speech Studio	Ustawienia regionalne interfejsu API REST	Obsługa dwujęzyczna
`Chinese (Mandarin, Simplified)`	`zh-CN`	Jeśli przykładowe dane zawierają język angielski, syntetyzowany głos mówi po angielsku z akcentem natywnym w języku angielskim, zamiast tego samego akcentu co przykładowe dane, niezależnie od ilości danych w języku angielskim.
`Chinese (Mandarin, Simplified), English bilingual`	`zh-CN (English bilingual)`	Jeśli chcesz, aby syntetyzowany głos mówił po angielsku z tym samym akcentem co przykładowe dane, zalecamy uwzględnienie ponad 10% danych języka angielskiego w zestawie treningowym. W przeciwnym razie akcent angielski może nie być idealny.
`Chinese (Cantonese, Simplified)`	`zh-HK`	Jeśli chcesz wytrenować syntetyzowany głos zdolny do mówienia po angielsku z tym samym akcentem co przykładowe dane, upewnij się, że w zestawie treningowym udostępniasz ponad 10% danych angielskich. W przeciwnym razie domyślnie jest to akcent natywny w języku angielskim. Próg 10% jest obliczany na podstawie danych zaakceptowanych po pomyślnym przekazaniu, a nie na danych przed przekazaniem. Jeśli niektóre przekazane dane w języku angielskim zostaną odrzucone z powodu wad i nie spełniają progu 10%, syntetyzowany głos domyślnie jest akcentem natywnym w języku angielskim.
`Chinese (Taiwanese Mandarin, Traditional)`	`zh-TW`	Jeśli chcesz wytrenować syntetyzowany głos zdolny do mówienia po angielsku z tym samym akcentem co przykładowe dane, upewnij się, że w zestawie treningowym udostępniasz ponad 10% danych angielskich. W przeciwnym razie domyślnie jest to akcent natywny w języku angielskim. Próg 10% jest obliczany na podstawie danych zaakceptowanych po pomyślnym przekazaniu, a nie na danych przed przekazaniem. Jeśli niektóre przekazane dane w języku angielskim zostaną odrzucone z powodu wad i nie spełniają progu 10%, syntetyzowany głos domyślnie jest akcentem natywnym w języku angielskim.

Dostępne style ustawień wstępnych w różnych językach

Poniższa tabela zawiera podsumowanie różnych wstępnie ustawionych stylów zgodnie z różnymi językami.

Styl mówienia	Język (ustawienia regionalne)
zły	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
spokój	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
czat	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
radosny	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Niezadowolonych	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
podekscytowany	Angielski (Stany Zjednoczone) (`en-US`)
bojaźliwy	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
przyjacielski	Angielski (Stany Zjednoczone) (`en-US`)
Nadzieję	Angielski (Stany Zjednoczone) (`en-US`)
smutny	Angielski (Stany Zjednoczone) (`en-US`) Japoński (Japonia) (`ja-JP`) ¹ Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Krzycząc	Angielski (Stany Zjednoczone) (`en-US`)
poważny	Chiński (mandaryński, uproszczony) (`zh-CN`) ¹
Przerażony	Angielski (Stany Zjednoczone) (`en-US`)
nieprzyjazny	Angielski (Stany Zjednoczone) (`en-US`)
Whispering	Angielski (Stany Zjednoczone) (`en-US`)

Uzyskiwanie stanu szkolenia

Aby uzyskać stan trenowania modelu głosu, użyj Models_Get operacji niestandardowego interfejsu API głosu. Skonstruuj identyfikator URI żądania zgodnie z następującymi instrukcjami:

Utwórz żądanie HTTP GET przy użyciu identyfikatora URI, jak pokazano w poniższym przykładzie Models_Get .

Zastąp YourResourceKey ciąg kluczem zasobu usługi Mowa.
Zastąp YourResourceRegion element regionem zasobu usługi Mowa.
Zastąp wartość JessicaModelId , jeśli w poprzednim kroku określono inny identyfikator modelu.

curl -v -X GET "https://YourResourceRegion.api.cognitive.microsoft.com/customvoice/models/JessicaModelId?api-version=2024-02-01-preview" -H "Ocp-Apim-Subscription-Key: YourResourceKey"

Treść odpowiedzi powinna zostać wyświetlona w następującym formacie.

Uwaga

Przepis kind i inne właściwości zależą od sposobu trenowania głosu. W tym przykładzie przepis jest Default przeznaczony do trenowania głosu neuronowego.

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default",
    "version": "V7.2023.03"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0",
  "status": "Succeeded",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

Może być konieczne odczekenie kilku minut przed ukończeniem trenowania. W końcu stan zmieni się na Succeeded lub Failed.

Następne kroki

Wdrażanie profesjonalnego punktu końcowego głosu

Udostępnij za pośrednictwem

Trenowanie profesjonalnego modelu głosu

Wybieranie metody trenowania

Trenowanie niestandardowego neuronowego modelu głosu

Trenowanie dwujęzyczne

Dostępne style ustawień wstępnych w różnych językach

Zmienianie nazwy modelu

Testowanie modelu głosu

Wymagania testów skryptowych

Aktualizowanie wersji aparatu dla modelu głosowego

Kopiowanie modelu głosu do innego projektu

Następne kroki

Wybieranie metody trenowania

Tworzenie modelu głosu

Trenowanie dwujęzyczne

Dostępne style ustawień wstępnych w różnych językach

Uzyskiwanie stanu szkolenia

Następne kroki

Opinia

Dodatkowe zasoby