Die Aufnahme eines Sprechers für regelmäßige Videoinhalte bedeutet Studio, Zeit für die Bearbeitung von Doppeln und Kosten, die linear mit dem Umfang steigen. Der Sprachklon verändert die gesamte Wirtschaft: Die Stimme wird einmal aufgenommen und dann in beliebig vielen Videos ohne zusätzliche Studiozeiten verwendet.
//Wie funktioniert das technisch?
Im Kern steht ein Sprachsynthesemodell, das auf einem Sprachmuster (Ihrer eigenen oder einem vereinbarten Sprecherstimme) trainiert wird und dann jeden Text mit dem Erhalt von Timbre und Intonation vertont. Bei Telematic wird der Text vor der Synthese normalisiert: Zahlen, Abkürzungen und spezielle Symbole werden in die Form umgewandelt, wie sie laut ausgesprochen würden – andernfalls könnte das Sprachmodell "20%" als eine Zeichenfolge lesen und nicht als "zwanzig Prozent".
//Nicht nur Klon – auch sprachliche Genauigkeit
Ein separates Problem der Sprachmodelle ist das "Umschalten" der Sprache bei Klonen: Das Modell beginnt manchmal, russischen Text mit englischem Akzent oder umgekehrt zu lesen. Dafür kann in dem System die Sprache der Vertonung explizit mit einer bestimmten Stimme verknüpft werden, was die meisten solcher Störungen löst.
//Was man ohne Studio machen kann
Neben einer fertigen Bibliothek von Stimmen und Klonierung ist auch eine manuelle Aufnahme verfügbar: Man kann eine Szene mit seinem Mikrofon einsprechen und sie dann im Editor mit der Wellenform nachbearbeiten: Pausen schneiden, Versprecher entfernen, Lautstärke anpassen. Die Stimme muss dabei nicht vollständig synthetisch sein – man kann kombinieren: Ein Teil der Szenen wird vom Klon vertont, ein Teil – von einer Live-Aufnahme.
//Wirtschaft in Zahlen
Die Studioaufnahme eines Sprechers für eine Minute fertigen Tons kostet normalerweise mehrere Tausend Rubel und erfordert die Abstimmung von Zeiten. Der Sprachklon generiert nach einmaliger Einrichtung eine Minute Vertonung in Sekunden und ohne zusätzliche Kosten über die Kosten von Tokens hinaus. Bei regelmäßiger Produktion – mehrere Videos pro Woche – summiert sich der Unterschied im Quartalsmaßstab.
//Wo das besonders wichtig ist
Für persönliche Marken ist der Klon der Stimme die Möglichkeit, das Skript nicht physisch für jedes Video einzusprechen und dabei erkennbar zu bleiben: Das Publikum hört "die gleiche" Stimme, selbst wenn die Aufnahme vor einem Monat gemacht wurde. Für Unternehmen ist es eine Möglichkeit, Inhalte im Namen eines bestimmten Sprechers zu veröffentlichen, ohne dass dieser ständig am Prozess teilnehmen muss.
//Was wichtig zu überprüfen ist
Die synthetische Stimme ersetzt die reale Sprache nicht eins zu eins – Intonationen an emotional komplexen Stellen des Textes sollten vor der Veröffentlichung angehört werden. Aus diesem Grund ist die Vertonung bei Telematic ein Schritt, den man anhören und gezielt korrigieren sollte, und keine blinde Generierung "auf Knopfdruck".