Możesz napisać idealną kartę i stracić scenę w sekundzie, gdy postać przemówi. TTS nie wybacza tego, co tekst. "Tęskniłam za tobą" odrobinę za radośnie — i nie da się tej kwestii potraktować poważnie. Wysokość pół tonu obok — postać brzmi 20 lat młodziej.
Reverie daje dużo kontroli nad tym, jak postać brzmi. To przewodnik użycia tego dobrze: który silnik, który głos, które gałki kręcić.
Dwa silniki: Edge (darmowy) i MiniMax (premium)
Reverie ma dwóch dostawców TTS:
Microsoft Edge TTS (darmowy, domyślny). Robocza koń pociągowy. Ponad 17 języków, kilka głosów na język, domyślne wg płci, szybka generacja. Wada: stabilny lektor. Wymawia czytelnie, ale nie gra. Dobry do większości; za słaby do scen mocno emocjonalnych.
MiniMax (premium). Wyższa wierność, kilka voice ID na język, i to, co liczy: wsparcie emocji. Synteza niesie rejestr — czułość, gniew, wahanie — czego Edge nie potrafi. Droższy za generację.
Właściwy model myślenia: nie "darmowy vs. płatny", lecz Edge na codzienne kwestie, MiniMax na momenty do zapamiętania.
W długim łuku, gdzie postać głównie się przekomarza — Edge daje radę. W chwili, gdy wreszcie mówi to, co wstrzymywała — przełącz. To audio-odpowiednik "modelu premium na kluczową odpowiedź" — tania polisa dla linii, które mają znaczenie.
Jak głos jest rozstrzygany
Reverie wybiera w tej kolejności:
- Preferencja użytkownika (twój override dla tej postaci), jeśli ustawiona.
- Domyślny postaci wybrany przez twórcę.
- Fallback locale + płeć — domyślny głos Edge dla tej pary.
W praktyce:
- Jeśli postać "brzmi nie tak", twój override nadpisuje wybór twórcy. Nie czekasz na aktualizację karty.
- Bez ustawień słyszysz fallback. Niemal na pewno nie najlepszy głos, tylko najbezpieczniejszy.
- Fallback istnieje, by postać nie była bezgłosna. To podłoga, nie cel.
Wybór głosu pasującego do postaci
Najczęstszy błąd — wybór wg dopasowania demograficznego (kobieta 30 → głos kobiety 30). Generyczny głos. Dopasowanie charakteru daje głos zapamiętywalny.
30-letnia medyczka wojskowa nie brzmi jak 30-letnia instruktorka jogi. Ten sam wiek, ta sama płeć, zupełnie inne głosy. Czego słuchać:
- Rejestr domyślny. Neutralny ton ciepły czy zimny, jasny czy stłumiony? Dopasuj do stanu spoczynku postaci, nie dramatycznego.
- Tempo. Niektóre głosy czytają szybko nawet w prędkości domyślnej. Inne wolno. Zdyszany głos przy stoickiej postaci — nie pasuje, choćby "obiektywnie był dobry".
- Wiek dorozumiany. Głosy mają "wiek odbioru", który może nie pasować do deklarowanego. 19-latka z głosem brzmiącym na 35 — nieswojo. Strojkę wysokości albo zmień głos.
Test: 15 sekund nudnej kwestii ("Ok. Będę. Koło ósmej.") w kandydującym głosie. Jeśli nudna brzmi źle, dramatycznej nie uratujesz.
Gałki, które warto kręcić
Reverie wystawia mały zestaw. Większość albo nie rusza, albo przekręca. Do czego naprawdę służą:
Prędkość (Speed)
Domyślnie 1.0x. Większość głosów zyskuje na małych zmianach, rzadko dużych.
- 0.9-0.95x zamyśleni, starsi, niezdecydowani.
- 1.0-1.05x większość.
- 1.1-1.15x nerwowi, szybkomówiący, comic relief.
- Poniżej 0.85x lub powyżej 1.2x — czerwona flaga: walczysz z głosem, wybierz inny.
Wysokość (Pitch)
Z umiarem. Małe przesunięcie (kilka %) postarza/odmładza wiarygodnie. Duże robi głos "przetworzonym" — sztucznym, mimo dobrego TTS. Jeśli kusi mocno popchnąć, weź inny głos.
Emocja (tylko MiniMax)
Najbardziej niedoceniana. Tag emocji daje syntezie kolor rejestru — różnicę między "tęskniłam" ciepłym a pustym. MiniMax bez emocji = płacisz silnik bez głównej przewagi.
Stosuj: emocjonalne beaty, sceny rozjazdu tekstu i tonu, momenty, gdzie spodziewałbyś się niuansu lektora.
Nie stosuj: na każdą kwestię. Emocja wszędzie = telenowela. Domyślnie neutralnie; emocja uderza mocniej, gdy nie jest stała.
Głos i język
Reverie obsługuje głosy w 17 językach, Edge daje domyślne wg płci. Notatki:
- Locale, nie tylko język. "Hiszpański" to nie jeden akcent. Argentyńska postać z kastylijskim głosem — kto rozpozna, rozpozna od razu. Locale starannie.
- Postacie międzyjęzykowe. Gdy postać przełącza język w rozmowie, głos zmienia silnik/konkretny głos wg języka tekstu. Najczęściej działa; dla niektórych głosów nie ma odpowiednika w drugim języku — skok słychać.
- Postacie z językiem ojczystym innym niż angielski. Standardowy amerykański głos zwykle wyrzuca ze sceny. Edge ma akcentowane angielskie głosy w niektórych językach — często lepsze niż amerykański.
Częste błędy z głosem
- Wybór "najlepszego" zamiast "właściwego". Najnaturalniejsza prozodia nie jest właściwa, jeśli brzmi na 25, a postać ma 50.
- Prędkość jako gałka jakości. Prędkość to gałka charakteru. Wolniej ≠ lepiej; to inna postać.
- Emocja na każdej kwestii. Powściągliwość czyta się jako klasa; stała emocja — jako kółko teatralne.
- Pominięcie testu nudnej kwestii. Głos większość czasu mówi "ok", "yhm", "o której?". Jeśli to brzmi źle, popisowe też.
- Zapomnienie, że można nadpisać. Twórca wybrał. Możesz wybrać inaczej. Override za dotknięciem.
Połączenia z resztą Reverie
- Pisanie postaci — "reguły głosu" z karty tłumaczą się wprost na wybór TTS. "Urywa zdanie, gdy robi się zbyt szczery" sugeruje głos z naturalną zmiennością pauz, nie stabilnego lektora.
- Tempo — głos + zmniejszona prędkość wzmacniają wolną scenę; głos + prędkość domyślna potrafią ją niezauważalnie przyspieszyć.
- MiniMax na sceny kluczowe — ta sama logika, co model premium na kluczową odpowiedź. Płatny silnik na ostrze, nie na pogaduszki.
Podsumowanie
Dobry głos to ten, którego przestajesz zauważać. Niesie kwestię i schodzi.
Wybieraj wg postaci, nie demografii. Testuj na nudnych kwestiach. Prędkość i emocja — lekko. Na sceny pamiętane — podnoś silnik.
Głos nie jest oddzielny od postaci. Dla słuchacza głos jest postacią.