Felsökning

Om den genererade röstutmatningen varierar i volym eller ton beror det ofta på inkonsekvenser i träningsljudet för röstklonen.

• Använd komprimering: Komprimera träningsljudet för att minska det dynamiska omfånget och säkerställa jämnt ljud. Sikta på ett RMS-värde mellan -23 dB och -18 dB och en true peak under -3 dB.
• Bakgrundsbrus: Se till att träningsljudet bara innehåller rösten som du vill klona — ingen musik, inget brus och inga knäppningar. Bakgrundsbrus, plötsliga energiutbrott eller konstant lågfrekvent energi kan göra AI:n mindre stabil.
• Konsekvent talare: Se till att talaren håller ett konsekvent avstånd till mikrofonen och undviker att viska eller ropa. Variationer kan leda till ojämn volym eller klang.
• Ljudlängd:
  • Instant Voice Cloning: Använd 1–2 minuter av konsekvent ljud. Konsekvent klang, framförande, accent och kvalitet är avgörande.
  • Professional Voice Cloning: Använd minst 30 minuter, helst 2+ timmar, av konsekvent ljud för bästa resultat.

För att minimera problem kan du dela upp texten i mindre segment. Det hjälper till att hålla volymen jämn och minskar kvalitetsförsämringen vid längre ljudgenereringar. Använd funktionen ElevenCreative Studio för att generera flera mindre ljudsegment samtidigt, vilket ger bättre kvalitet och jämnhet.

De flerspråkiga modellerna kan i sällsynta fall uttala vissa ord fel, även på engelska. Problemet verkar vara något godtyckligt men tycks bero på röst och text. Det uppstår oftare med vissa röster och texter, särskilt när du använder ord som också förekommer på andra språk.

• Använd ElevenCreative Studio: Den här funktionen hjälper till att minska feluttalsproblem, som är vanligare i längre textavsnitt när du använder talsyntes. Den eliminerar inte problemet helt, men kan hjälpa dig att undvika det och göra det enklare att generera om specifika avsnitt utan att göra om hela texten.
• Korrekt klonade röster: Precis som vid problem med inkonsekvens kan en korrekt klonad röst på de önskade språken bidra till att minska feluttal.
• Ange uttal: När du använder ElevenCreative Studio kan du ange uttalet för vissa ord, till exempel karaktärsnamn och varumärkesnamn, eller hur akronymer ska läsas. Mer information finns i avsnittet om uttalslexikon i vår guide till ElevenCreative Studio.

AI:n kan ibland byta språk eller accent under en och samma generering, särskilt om den är längre. Problemet liknar feluttal och är något som vi aktivt arbetar med att förbättra.

• Använd korrekt klonade röster: Att använda en Instant Voice Clone eller Professional Voice Clone som tränats på högkvalitativt, konsekvent ljud på det önskade språket kan bidra till att minska problemet. I kombination med ElevenCreative Studio kan stabiliteten förbättras ytterligare.
• Förstå rösternas begränsningar: Standardröster och genererade röster är främst engelska och kan ha en engelsk accent när de används på andra språk. Genom att klona en röst som talar målspråket med den önskade accenten får AI:n bättre kontext, vilket minskar sannolikheten för språkbyte.
• Språkval: För närvarande avgör AI:n språket utifrån inmatningstexten. Det är viktigt att skriva på önskat språk, särskilt när du använder färdiga röster med engelsk grund, eftersom de kan ge en engelsk accent.
• Optimal textlängd: AI:n tenderar att behålla en konsekvent accent i kortare textsegment. För bästa resultat bör textgenereringar vara under 800–900 tecken när du använder Text to Speech. ElevenCreative Studio-workflowet kan hjälpa dig att hantera längre texter genom att dela upp dem i mindre, mer hanterbara segment.

Modellerna kan uttala vissa siffror, symboler och akronymer fel. Till exempel kan siffrorna “1, 2, 3” uttalas som “one,” “two,” “three” på engelska. För att säkerställa korrekt uttal på ett annat språk skriver du dem fonetiskt eller med ord så som du vill att de ska uttalas.

• Exempel: Skriv “un” för att siffran “1” ska uttalas på franska.
• Symboler: Ange hur symboler ska läsas, till exempel ”$” som “dollar” eller “euro”.
• Akronymer: Stava ut akronymer fonetiskt.

Korrupt tal är ett sällsynt problem där modellen genererar dämpat eller förvrängt ljud. Det uppstår oförutsägbart och vi har inte identifierat någon orsak. Om det inträffar kan du generera om avsnittet för att lösa problemet.

Ljudkvaliteten kan försämras vid längre text-till-tal-konverteringar. För att minska detta kan du dela upp texten i avsnitt under 800 tecken.

• Röstval: Vissa röster är mer känsliga för försämring. Använd högkvalitativa ljudprov för klonade röster för att minimera artefakter.
• Stabilitet och likhet: Justera dessa inställningar för att påverka röstens beteende och hur framträdande artefakterna är. Håll muspekaren över varje inställning för mer information.

För vissa röster kan den här röstinställningen leda till instabilitet, inklusive ojämn hastighet, feluttal och tillägg av extra ljud. Vi rekommenderar att du håller inställningen på 0, särskilt om du upplever dessa problem i ditt genererade ljud.

Importfunktionen försöker importera filen som du tillhandahåller till webbplatsen. Eftersom webbplatsstrukturer och bokformatering varierar, inklusive bilder, bör du alltid kontrollera att importen blev korrekt.

• Kapitelbilder: Om en boks kapitel börjar med en bild som första bokstav kanske AI:n inte känner igen bokstaven. Lägg till bokstaven manuellt i varje kapitel.
• Styckestruktur: Om texten importeras som ett enda långt stycke i stället för att följa bokens ursprungliga struktur kanske den inte fungerar korrekt. Se till att texten behåller sina ursprungliga radbrytningar. Om problemet kvarstår kan du prova att kopiera och klistra in. Om det inte fungerar kan textformatet behöva konverteras eller skrivas om.
• Föredraget format: EPUB är det rekommenderade filformatet för att skapa ett projekt i ElevenCreative Studio. En välstrukturerad EPUB delar automatiskt upp varje kapitel i ElevenCreative Studio, vilket underlättar navigering. Se till att varje kapitelrubrik är formaterad som “Rubrik 1” för korrekt igenkänning.

Ibland kan störningar eller skarpa inandningar förekomma mellan stycken. Detta är ovanligt och skiljer sig från vanliga problem med Text to Speech. Om det inträffar kan du generera om föregående stycke, eftersom problemet ofta börjar där.