Per-sentence prosody for a flat TTS take

クローズ
  • 何か問題がありますか？
#15 コメント 0 件 リアクション 0 件 担当者 0 名 GitHub で見る

まだ誰も着手していません。

評価

難易度
4/5
見積もり時間
3〜5日
初心者へのやさしさ
35/100
issue の種類
機能追加
明瞭さ
おおむね明確
活発さ
活発
技術スタック
javascript, nodejs
領域
audio-video-rtc

調査の方向性

Start with the script parser and the aligner's word-time output, since the payload names neither file, and find where the take's word times are available. Write the sentence grouping first, splitting on punctuation and mapping word times to sentences, and test it before touching ffmpeg. Done means a script with [slow], [fast] or [low] changes that sentence's tempo, pitch or level within limits you measure and document, an unmarked script is unchanged, and a mistyped marker raises an error instead of being spoken.

索引モデルが issue の本文から書いたものです。

説明

audio enhancement help wanted

A single TTS take sounds the same from start to end. Narrators vary pace, pitch, volume and pause by sentence.

What: optional markers in the script (for example [slow], [fast], [low]) and an ffmpeg post-process that changes tempo, pitch, level and pause per sentence on an existing take. It needs word times for the take (the aligner already provides them) to find each sentence.

Done when: a marked script changes the take as asked within documented limits (pitch changes beyond about 2 semitones make a voice sound like someone else: measure and state the limits you choose), an unmarked script is untouched, a mistyped marker is an error and is never read aloud, and tests cover the sentence grouping (word times mark tokens, not sentences, so group by punctuation first).

主要言語
JavaScript
スター
0
フォーク
2
平均マージ
58分
マージ済み PR（30日）
1

環境構築

はじめの一歩

  1. issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
  2. 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
  3. リポジトリをフォークし、ブランチを切って変更します。
  4. issue 番号を参照したプルリクエストを送ります。

itzjk/explainkit のほかの issue

itzjk/explainkit の issue をすべて見る

似ている issue

JavaScript の issue をもっと見る

新しい issue をメールで受け取る

初心者向けの GitHub issue を短くまとめたダイジェスト。