Creación y uso de un modelo de voz

En Preparación de los datos de entrenamiento, ha aprendido sobre los diferentes tipos de datos que puede usar para entrenar una voz neuronal personalizada y los distintos requisitos de formato. Una vez preparados los datos y la instrucción verbal del talento de voz, puede empezar a cargarlos en Speech Studio. En este artículo aprenderá a entrenar una instancia de Voz neuronal personalizada mediante el portal de Speech Studio. Consulte los idiomas admitidos para la voz neuronal personalizada.

Prerrequisitos

• Haber completado Introducción a Voz neuronal personalizada
• Haber completado Preparación de los datos de entrenamiento

Configuración del talento de voz

Un talento de voz es un hablante individual o de destino cuyas voces se graban y se usan para crear modelos de voz neuronal. Antes de crear una voz, defina el rol de voz y seleccione un talento de voz adecuado. Para más información sobre cómo grabar ejemplos de voz, consulte el tutorial.

Para entrenar una voz neuronal, debe crear un perfil de talento de voz con un archivo de audio grabado por él en el que consienta el uso de sus datos de voz para entrenar un modelo de voz personalizado. Cuando prepare el script de grabación, asegúrese de incluir la frase siguiente:

"I [state your first and last name] am aware that recordings of my voice will be used by [state the name of the company] to create and use a synthetic version of my voice." ("Yo [indique su nombre y apellido] acepto que [indique el nombre de empresa] use grabaciones de mi voz para crear y usar una versión sintética de la voz"). Esta frase se usa para comprobar si los datos de entrenamiento coinciden con el audio de la instrucción de consentimiento. > Consulte aquí más información sobre la comprobación del talento de voz.

En los pasos siguientes se supone que ha preparado los archivos de consentimiento verbal del talento de voz. Vaya a Speech Studio para seleccionar un proyecto de voz neuronal personalizado y siga los pasos a continuación para crear un perfil de talento de voz.

1. Vaya a Texto a voz > Voz personalizada > seleccione un proyecto > Set up voice talent (Configurar talento de voz).

2. Seleccione Add voice talent (Agregar talento de voz).

3. A continuación, para definir las características de voz, seleccione el escenario de destino que se va a usar. Describa los valores de Características de voz correspondientes.

4. A continuación, vaya a Cargar la instrucción del talento de voz, siga las instrucciones para cargar la declaración del talento de voz que ha preparado de antemano.

5. Por último, vaya a Review and create (Revisar y enviar) para revisar la configuración y seleccione Submit (Enviar).

Creación del código

Cuando esté listo para cargar los datos, vaya a la pestaña Prepare training data (Preparar datos de entrenamiento) para agregar su primer conjunto de entrenamiento y cargar datos. Un conjunto de entrenamiento es un conjunto de expresiones de audio y los scripts de asignación que se usan para entrenar un modelo de voz. Puede usar un conjunto de entrenamiento para organizar los datos de entrenamiento. Se comprueba si los datos están preparados en cada conjunto de entrenamiento. Puede importar varios datos a un conjunto de entrenamiento.

Puede hacer lo siguiente para crear y revisar los datos de entrenamiento.

1. En la pestaña Prepare training data (Preparar datos de entrenamiento), seleccione Add training set (Agregar conjunto de entrenamiento) para escribir Nombre y Descripción > Crear para agregar un nuevo conjunto de entrenamiento.

   Una vez creado el conjunto de entrenamiento correctamente, podrá empezar a cargar los datos.

2. Para cargar datos, seleccione Upload data > Choose data type > Upload data (Cargar datos > Elegir tipo de datos > Cargar datos) y Specify the target training set (Especificar el conjunto de entrenamiento objetivo) > Escriba los valores de Nombre y Descripción de los datos > revise la configuración y seleccione Submit (Enviar).

Cada conjunto que cargue debe cumplir los requisitos del tipo de datos elegido. Es importante dar el formato correcto a los datos antes de cargarlos, lo que garantiza que el servicio Voz neuronal personalizada los procesará con precisión. Vaya a Prepare training data (Preparar datos de entrenamiento) y asegúrese de que los datos tienen el formato correcto.

Los archivos de datos se validan automáticamente una vez presionado el botón Submit (Enviar). La validación de datos incluye una serie de comprobaciones en los archivos de audio para comprobar su formato de archivo, el tamaño y la frecuencia de muestreo. Corrija los errores si los hay y vuelva a realizarla.

Una vez cargados los datos, puede comprobar los detalles en la vista de detalles del conjunto de entrenamiento. En pestaña Overview (Información general) puede comprobar la puntuación de las pronunciaciones y el nivel de ruido de los datos. La puntuación de las pronunciaciones abarca un rango del 0 al 100. Una puntuación por debajo de 70 normalmente indica un error en el discurso o que el guion no coincide. Un acento marcado puede reducir la puntuación de las pronunciaciones, y afectar a la voz digital que se ha creado.

Una relación de la señal y el ruido (SNR) más alta indica un ruido más bajo en el audio. Por lo general, el audio puede alcanzar una SNR de más de 50 puntos si se graba en estudios profesionales. Un audio que tenga un valor de SNR por debajo de 20 puntos puede provocar un ruido obvio en la voz generada.

Puede volver a grabar cualquier expresión que tenga una puntuación baja debido a la pronunciación o a la pobre relación entre el ruido y la señal. Si no es posible volver a realizar la grabación, considere la exclusión de esas expresiones de los datos.

En Detalles de los datos puede comprobar los detalles de los datos del conjunto de entrenamiento. Si hay presentes algunos problemas típicos en los datos puede seguir las instrucciones del mensaje que se muestra para corregirlos antes del entrenamiento.

Los problemas se dividen en tres tipos. Consulte las tres tablas siguientes para comprobar los tipos de errores respectivos.

El primer tipo de error que se enumera en la tabla siguiente debe corregirse manualmente; de lo contrario, los datos con estos errores se excluirán durante el entrenamiento.

El segundo tipo de error que se enumera en la tabla siguiente se corregirá automáticamente, pero se recomienda comprobar los datos reparados.

Si el tercer tipo de error que se enumera en la tabla siguiente no se corrige, aunque los datos con estos errores no se excluirán durante el entrenamiento, afectará a la calidad del entrenamiento. Para un entrenamiento de mayor calidad, se recomienda corregir manualmente estos errores.

Entrenamiento del modelo de voz neuronal personalizada

Una vez validados los archivos de datos, podrá usarlos para crear su modelo de voz neuronal personalizada.

1. En la pestaña Entrenar modelo, haga clic en Entrenar modelo para crear un modelo de voz con los datos que haya cargado.

2. Seleccione el método de entrenamiento neuronal para el modelo y el idioma de destino.

De forma predeterminada, el modelo de voz se entrena en el mismo idioma de los datos de entrenamiento. También puede seleccionar crear un idioma secundario (versión preliminar) para el modelo de voz. Compruebe los idiomas admitidos para la voz neuronal personalizada y la característica multilingüe: idioma para la personalización.

El entrenamiento de voces neuronales personalizadas no es gratuito. Consulte los precios para obtener más información. Sin embargo, si tiene modelos estadísticos de voz paramétricos o concatenativos implementados antes del 31/3/2021 con recursos de voz S0, se ofrecen créditos de entrenamiento neuronal gratuitos para su suscripción de Azure, y que así pueda entrenar 5 versiones diferentes de voces neuronales de forma gratuita.

3. A continuación, elija los datos que desea usar para el entrenamiento y especifique un archivo del hablante.

4. A continuación, elija el script de prueba.

Cada entrenamiento generará 100 audios de muestra automáticamente para ayudarle a probar el modelo con un script predeterminado. También puede proporcionar su propio script de prueba. Recuerde que el script de prueba debe excluir los nombres de archivo (el id. de cada expresión); de lo contrario, se mostrarán estos identificadores. A continuación, se muestra un ejemplo de cómo se organizan las expresiones en un archivo .txt:

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

Cada párrafo de la expresión dará como resultado un audio independiente. Si desea combinar todas las frases en un solo audio, reúnalas todas en un párrafo.

5. Escriba los valores de Nombre y Descripción que le ayuden a identificar este modelo.

Elija un nombre con cuidado. El nombre que escriba aquí será el nombre que use para especificar la voz en su solicitud de síntesis de voz como parte de la entrada de SSML. Solo se permiten letras, números y algunos signos de puntuación, como -, _ y (","). Use nombres diferentes para los modelos de voz neuronal diferentes.

Un uso habitual del campo Descripción es registrar los nombres de los datos que se usaron para crear el modelo.

6. Revise la configuración y seleccione Submit (Enviar) para empezar a entrenar el modelo.

En la tabla Entrenar modelo se muestra una nueva entrada que corresponde a este modelo recién creado. En la tabla también se muestra el estado: Procesando, Correcto, Error.

El estado que se muestra refleja el proceso de convertir los datos en un modelo de voz, como se muestra aquí.

La duración del entrenamiento varía en función de la cantidad de datos que se están entrenando. En entrenar una voz neuronal personalizada se tarda una media de 40 horas de proceso.

7. Cuando termine de entrenar el modelo correctamente, puede revisar los detalles de este.

Una vez que el modelo de voz se haya creado correctamente, puede usar los archivos de audio de muestra generados para probarlo antes de implementarlo para su uso.

La calidad de la voz depende de muchos factores, como el tamaño de los datos de entrenamiento, la calidad de la grabación, la precisión del archivo de transcripción, el grado en que la voz grabada en los datos de entrenamiento coincide con la personalidad de la voz diseñada para el caso de uso previsto, etc. Consulte aquí más información sobre las funcionalidades y los límites de nuestra tecnología y el procedimiento recomendado para mejorar la calidad del modelo.

Creación y uso de un punto de conexión de voz neuronal personalizada

Una vez que haya creado y probado con éxito su modelo de voz, impleméntelo en un punto de conexión personalizado de Text to Speech. A continuación, use ese punto de conexión en lugar del punto de conexión habitual al realizar solicitudes de Text to Speech a través de la API de REST. Recuerde que solo se puede llamar al punto de conexión personalizado mediante la suscripción que utilizó para implementar el modelo.

Para crear un punto de conexión de voz neuronal personalizado, haga lo siguiente.

1. En la pestaña Deploy model (Implementar modelo), seleccione Deploy model (Implementar modelo).
2. A continuación, escriba un valor para Nombre y Descripción para el punto de conexión personalizado.
3. A continuación, seleccione el modelo de voz que le gustaría asociar a este punto de conexión.
4. Por último, haga clic en Deploy (Implementar) para crear el punto de conexión.

Después de haber hecho clic en el botón Implementar, en la tabla de puntos de conexión verá una entrada para el nuevo punto de conexión. El proceso para crear instancias del nuevo punto de conexión puede llevar unos minutos. Cuando el estado de la implementación muestra el valor Completado, quiere decir que el punto de conexión está listo para su uso.

Puede suspender y reanudar el punto de conexión si no lo usa continuamente. Cuando se reactiva un punto de conexión tras la suspensión, la dirección URL del punto de conexión se mantiene igual, por lo que no es necesario cambiar el código de las aplicaciones.

También puede actualizar el punto de conexión a un nuevo modelo. Para cambiar el modelo, asegúrese de que el nuevo tiene el mismo nombre que el que desea actualizar.

Una vez implementado el punto de conexión, su nombre aparece como un vínculo. Haga clic en el vínculo para mostrar información específica del punto de conexión, como la clave o la dirección URL, y código de ejemplo.

El punto de conexión personalizado es técnicamente idéntico al punto de conexión estándar que se usa en las solicitudes de texto a voz. Para más información, consulte el SDK de Voz o la API REST.

También proporcionamos una herramienta en línea, Creación de contenido de audio, que permite ajustar la salida de audio mediante una interfaz de usuario sencilla.

Pasos siguientes

• Grabación de ejemplos de voz
• Referencia de Text-to-Speech API
• Long Audio API