Acerca de Text to Speech
El servicio IBM Watson® Text to Speech proporciona unas API que utilizan las funciones de síntesis de voz de IBM para convertir texto escrito a voz que suene natural. El servicio transmite el audio sintetizado de vuelta al cliente con un retardo mínimo. El audio utiliza la cadencia y la entonación adecuadas correspondientes al idioma y dialecto para proporcionar voces que suenan fluidas y naturales.
Se puede utilizar el servicio en aplicaciones como por ejemplo chatbots automatizados de voz, así como en distintas aplicaciones sin pantalla y basadas en voz, como por ejemplo herramientas para personas discapacitadas o con problemas de visión, la narración de vídeo y la narración de voz y soluciones educativas y de automatización en el hogar. Resulta adecuado para cualquier aplicación en la que el audio sea el método preferido de salida.
Versiones de productos
Text to Speech se puede desplegar como un servicio de nube gestionado o puede instalarse de forma local. En esta documentación se describe cómo utilizar ambas versiones del producto. La información como temas, párrafos y ejemplos que se aplica exclusivamente a una versión se indica claramente:
- IBM Cloud para instancias gestionadas de Text to Speech alojadas en IBM Cloud o para instancias alojadas enIBM Cloud Pak for Data as a Service. Para obtener información sobre todas las actualizaciones del servicio, consulte las Notas de la versión de Text to Speech para IBM Cloud.
- IBM Cloud Pak for Data para instancias instaladas o locales de xml-ph-0000@deepl.internal para xml-ph-0001@deepl.internal IBM Software Hub para instancias instaladas o locales de Text to Speech para IBM Cloud Pak for Data. Para obtener más información sobre la instalación y la gestión de los servicios de voz de Watson, consulte Descripción general de la instalación. Para obtener información sobre todas las actualizaciones del servicio, consulte las Notas de la versión de Text to Speech para IBM Cloud Pak for Data y las Notas de la versión de Text to Speech para IBM Software Hub.
Síntesis de voz
El servicio Text to Speech da soporte a interfaces HTTP y WebSocket para la síntesis de voz. Ambas interfaces aceptan texto y texto sin formato que se marca con el lenguaje SSML (Speech Synthesis Markup Language) basado en XML. La interfaz WebSocket también puede producir información de temporización sobre las palabras del audio. Para más información, consulte las siguientes características del servicio:
Personalización
El servicio proporciona una interfaz de personalización que puede utilizar para especificar cómo el servicio pronuncia las palabras inusuales que se producen en el texto de entrada. Puede definir modelos personalizados para incluir diccionarios de palabras para el léxico de la aplicación. Para obtener más información, consulte Personalización del servicio en las características del servicio.
Soporte de idiomas
El servicio ofrece voces neuronales para sintetizar texto a voz en muchos idiomas y dialectos:
- Holandés (Países Bajos)
- Inglés (dialectos de Australia, Reino Unido y Estados Unidos)
- Francés (dialectos canadiense y francés)
- Alemán
- Italiano
- Japonés
- Coreano
- Portugués (Brasileño)
- Español (dialectos castellano, latinoamericano y norteamericano)
Para los distintos idiomas, el servicio ofrece voces femeninas, voces masculinas, o ambas. Para obtener más información sobre los idiomas y voces soportados, los tipos de voces que proporciona el servicio para cada idioma y su estado para ambas versiones del servicio, consulte Idiomas y voces.
Soporte de audio
El servicio produce audio en muchos formatos populares:
- A-Law
- Audio básico
- Free Lossless Audio Codec (FLAC)
- Pulse-Code Modulation (PCM) lineal de 16 bits
- MP3 (o MPEG)
- Mu-law (o u-law)
- Audio de Ogg o Web Media (WebM) con el códec Opus o Vorbis
- Waveform Audio File Format (WAV)
Los distintos formatos dan soporte a distintas frecuencias de muestreo y otras características. Para obtener más información, consulte Utilización de formatos de audio.
Características beta
IBM publica ocasionalmente características y soporte de idiomas que se clasifican como beta. Estas características se proporcionan para que pueda evaluar su funcionalidad. Pueden ser inestables y están sujetas a cambios o su eliminación con poca antelación. No están pensadas para su uso en un entorno de producción.
Es posible que las características beta no proporcionen el mismo nivel de rendimiento o compatibilidad que las características de disposición general. Las características de disposición general están listas para su uso en un entorno de producción.
Precios
IBM Cloud
El servicio ofrece varios planes de precios para que se adapten a sus necesidades de uso y aplicación. Para más información sobre los planes de precios o para adquirir un plan, consulte el servicio Text to Speech en el catálogo IBM Cloud®.