الون لبز وی۳

چرا انتخاب دستی الزامی است

پشته تبدیل متن به گفتار الون لبز از سه مؤلفه تشکیل شده و تنها همین یکی فارسی را در سطح پوشش زبانی خود ثبت کرده است. فلش ۲.۵ فهرست ۳۲ زبانه را پوشش می دهد و مالتیلینگوال وی۲ فهرست ۲۹ زبانه را، و فارسی در هیچ یک از این دو مشخصات حضور ندارد.

مؤلفه ای که به طور پیش فرض انتخاب می شود فلش ۲.۵ است، چون تأخیر آن ۷۵ میلی ثانیه است، سقف پردازش کاراکترش هشت برابر بیشتر است و هزینه پایین تری دارد. برای بار کاری با ورودی فارسی این انتخاب نادرست است؛ افت کیفیت خروجی ناشی از محدودیت زبان نیست، ناشی از انتخاب نادرست مؤلفه است.

هزینه عملیاتی این مؤلفه

سقف پردازش در هر فراخوانی پنج هزار کاراکتر است، در برابر چهل هزار کاراکتر فلش ۲.۵. یعنی همان مؤلفه ای که پوشش فارسی دارد، برای هر متن بلند نیازمند تقسیم بندی دستی ورودی و اتصال مجدد خروجی هاست. برای یک ویدیوی چند دقیقه ای این به معنای چند فراخوانی متوالی و یک مرحله تدوین پس از آن است.

این محدودیت را به عنوان نقص گزارش نمی کنیم؛ آن را به عنوان بخشی از مشخصات عملیاتی ثبت می کنیم که باید پیش از طراحی پایپ لاین پروژه در نظر گرفته شود.

وضعیت مالکیت خروجی صوتی

زیرسامانه کلون صدا در معماری این سازنده به سطح اشتراک متصل است، نه به مدل انتخابی. سطح رایگان نه قابلیت کلون دارد و نه پروانه تجاری. کلون آنی از سطح Starter با ۶ دلار در دسترس قرار می گیرد و کلون با کیفیت حرفه ای از سطح Creator با ۲۲ دلار.

در نتیجه، خروجی تولیدشده روی سطح رایگان برای استفاده تجاری فاقد پروانه است، حتی اگر کیفیت آن قابل قبول ارزیابی شود. این محدودیت در مشخصات صفحه قیمت گذاری سازنده درج شده و در هیچ سند دیگری هشدار داده نمی شود.

یک شکاف در معماری صوتی این مدل

صدای اختصاصی فارسی در این معماری تعریف نشده است. الون لبز فارسی را در سطح پوشش زبانی ثبت کرده، اما هیچ صدایی که به طور اختصاصی برای فارسی آموزش دیده باشد در مشخصات آن معرفی نشده. در عمل، ورودی فارسی از طریق صدایی پردازش می شود که بر پایه زبانی دیگر ساخته شده، و کیفیت لهجه حاصل مشخصه ای است که باید از طریق شنیدن مستقیم ارزیابی شود؛ این ارزیابی هنوز روی این مؤلفه انجام نشده است.