Este nuevo modelo de IA de texto a voz entiende lo que dice: cómo probarlo de forma gratuita

Probé el nuevo modelo Octave de Hume y quedé impresionado con los resultados. Ahora tú también puedes probarlo.

Los modelos de IA de texto a voz son una gran herramienta para los casos en los que se suelen utilizar actores de voz humanos, como audiolibros, doblajes, anuncios y más. Sin embargo, debido a que estos modelos no son humanos y no son conscientes de lo que dicen, a veces pueden sonar notablemente robóticos. El nuevo modelo de IA de Hume busca abordar este problema. 

Octava

El miércoles, Hume lanzó Octave, un modelo de lenguaje grande (LLM) de texto a voz con conciencia contextual. El LLM puede usar esta conciencia para ajustar su melodía, ritmo y timbre de habla a las palabras que está leyendo en función de su significado, según la compañía. Por ejemplo, una voz habilitada para IA puede transmitir una sensación de disgusto al leer una oración.

Más allá de comprender el contexto del texto, el modelo también puede tomar direcciones. Los usuarios pueden indicarle que esté "tranquilo", "susurrante", "disgustado", "enojado" y más. Hume dice que la ventaja que tiene Octave sobre un actor de doblaje es que puede asumir cualquier voz o incluso inventar una nueva basada en la descripción del usuario. 

Por ejemplo, Hume dice que un usuario podría proporcionar una indicación tan simple como "mago sabio" o tan compleja como combinar diferentes acentos, grupos demográficos, roles ocupacionales y más. Esencialmente, el modelo inventaría una voz solo en el guión, pero cuando se le solicitara, podría ser dirigido por el guión y la descripción. 

Probando el modelo

La interfaz de usuario es fácil de navegar, con un cuadro de texto para Voz, en el que puede describir exactamente cómo desea que suene la voz, y otro para Script, en el que ingresa lo que desea que diga el modelo. Para mi primera prueba, utilicé las indicaciones detalladas prefabricadas para ver cómo sonaba. 

Después de hacer clic en "Generar", Octave generó tres resultados de voz, y en la primera escucha quedé impresionado. Aunque no estaba convencida de que las generaciones capturaran el sonido de la "chica del valle", me impresionaron mucho las entonaciones e inflexiones. 

Para mi mensaje, creé un escenario en el que el orador principal está sin aliento por correr y tiene prisa. El guión decía: "SÍ, estoy casi en la línea de meta. Estoy muy cansada, pero voy a seguir empujando porque ya casi estoy allí. ¡Nos vemos luego! Adiós". 

Yo estaba igualmente contento con estos resultados. Octave transmitió principalmente lo que quería, colocando la cantidad adecuada de emoción y pausas donde se tomarían respiraciones si estabas agotado de correr. Sin embargo, al igual que en el ejemplo anterior, la voz no era exactamente lo que describí. En este caso, el orador no habló muy rápido. 

En general, parece que el punto fuerte del modelo es colocar los matices del habla humana en su producción. Lo que a menudo delata las voces de la IA es su monotonía, lo que hace que la salida suene bastante aburrida de escuchar. Con Octave, se podían escuchar las emociones del lector, ya sea frustración, derrota o cansancio. Palabras como "ugh" tienen la duración y la respiración exactas que usaría un ser humano, creando una experiencia atractiva. 

Cómo acceder

Hay diferentes niveles para acceder al modelo, incluido uno gratuito con un límite de 10.000 caracteres (alrededor de 10 minutos) y voces de personajes ilimitadas si desea probarlo. Más allá del nivel gratuito, hay seis niveles adicionales, que van desde $3 a $900 por mes, según las necesidades de acceso.  

Por ejemplo, el nivel Starter cuesta 3 $al mes e incluye 30.000 caracteres (alrededor de 30 minutos), mientras que el nivel Business es de $900 mensuales para 10.000.000 de caracteres (alrededor de 10.000 minutos). También hay una opción Enterprise que se puede personalizar según sus necesidades. Puede ver todas las ofertas y comenzar en el sitio web de Hume.