„ElevenLabs“ ar „Azure Speech“: išraiška ir valdymas

Jei lietuviškam įgarsinimui svarbiausia kintanti balso išraiška, bandymą verta pradėti nuo „ElevenLabs“. Jei reikia aprašomomis taisyklėmis reguliuoti skaitymo tempą, aukštį ir garsumą, stipresnis kandidatas yra „Azure Speech“. Tai pasirinkimas pagal darbo būdą: paskelbti duomenys nenustato, kurios paslaugos lietuviški balsai skamba natūraliau.

Abi paslaugos leidžia įgarsinti lietuvišką tekstą, tačiau palaikymą reikia vertinti konkretaus modelio arba balso lygmeniu. Kūrybinės nuorodos tekste ir SSML parametrai taip pat sprendžia skirtingas užduotis. Prieš pasirenkant galutinį balsą svarbu išgirsti, kaip jis ištaria būtent jūsų tekstą, o ne spręsti vien iš kalbų sąrašo.

Kur lietuvių kalba iš tiesų palaikoma

„ElevenLabs“ modelių sąraše lietuvių kalba nurodyta „Eleven v4“ ir „Eleven v3“ šeimoms. Ankstesnių „Multilingual v2“ ir „Flash v2.5“ palaikomų kalbų sąrašuose jos nėra. Todėl vien paslaugos pavadinimo neužtenka: pasirinkus kitą modelį gali pasikeisti ir galimybė juo įgarsinti lietuvišką tekstą.

„Azure Speech“ balsų lentelėje Lietuvos lokalėje lt-LT pateikia standartinius balsus „OnaNeural“ ir „LeonasNeural“. Prie jų neišvardyti kalbėjimo stiliai ar vaidmenys, o balso konvertavimas pažymėtas kaip nepalaikomas. Tai konkrečių lietuviškų balsų ribos: kitų kalbų balsams skirti emociniai stiliai savaime netampa šių balsų funkcijomis.

Kalbos palaikymas ir tinkamas tarimas nėra tas pats. „ElevenLabs“ balso kilmė gali turėti įtakos akcentui, o „Azure“ pasirinkta lokalė apibrėžia, kuriam kalbiniam variantui skirtas balsas. Lietuvos auditorijai ypač svarbu išgirsti kirčiuotus vardus, vietovardžius ir svetimžodžius: klaida tokioje vietoje gali būti labiau pastebima nei skirtumas tarp malonaus ir labai malonaus balso tembro.

„ElevenLabs“: išraišką nukreipia tekstas ir žymos

„Eleven v4“ ir „Eleven v3“ leidžia tekste laužtiniais skliaustais žymėti pageidaujamą emociją, kalbėjimo manierą ar reakciją. „ElevenLabs“ įgarsinimo gairės aiškina, kad šių modelių pauzėms ir atlikimui naudojamos garso žymos, skyryba bei teksto struktūra, o SSML pauzės žymos juose neveikia. Tai patogu, kai pasakojimo tonas turi keistis kartu su replika.

Toks nurodymas nėra tikslus akustinis nustatymas. Paslauga pažymi, kad sugeneruotas garsas nėra visiškai vienodas kartojant tas pačias sąlygas; rezultatui įtakos turi ir pasirinktas balsas. Jei viena frazė turi skambėti santūriau, o kita – smalsiai ar energingai, kūrėjas gali keisti žymą, tekstą ir balso pasirinkimą, tačiau kiekvieną variantą reikia išklausyti.

Lietuviškame pasakojime išraiškingumas naudingas tik tada, kai išlieka aiškūs žodžiai. Trumpa personažo replika gali skambėti įtikinamai, nors ilgesnėje pastraipoje tas pats atlikimas pernelyg pabrėžia sakinių pabaigas arba vargina. Dėl to kūrybiniam įrašui verta vertinti ne vien ryškiausią momentą, bet ir balso laikyseną per visą numatytą ištrauką.

„Azure Speech“: SSML valdo ritmą, bet neįjungia neegzistuojančio stiliaus

„Azure Speech“ SSML dokumentacijoje aprašo balso parinkimą ir prosodijos parametrus: kalbėjimo tempą, balso aukštį, jo kitimo kontūrą bei garsumą. Šiuos nustatymus galima taikyti teksto dalims, todėl instrukcijos sakinį galima suplanuoti lėtesnį, o kitą frazę – tylesnę. Tai aiškesnis būdas aprašyti pageidaujamą skaitymo ritmą, kai įrašą reikia generuoti pagal tas pačias taisykles.

Parametrų reikšmės vis dėlto yra sintezės gairės, o ne garantuotas garso matavimas: paslauga gali apriboti ar pakeisti balsui netinkamą reikšmę. Ypač svarbu neskirti to nuo paruoštų emocinių stilių. SSML leidžia keisti prosodiją, tačiau „OnaNeural“ ir „LeonasNeural“ balsams oficialiame sąraše atskirų stilių nėra. Taigi lietuviškam projektui galima planuoti tempo ar garsumo reguliavimą, bet ne žadėti vienu stiliaus pasirinkimu gaunamą „linksmą“ šių balsų versiją.

Šis skirtumas ryškiausias pasikartojančiame turinyje: pranešimuose, instrukcijose ar garsiai skaitomuose ilgų tekstų skyriuose. Kai redaktoriui svarbu vienodai pažymėti pauzes ir skaitymo spartą daugelyje ištraukų, SSML suteikia aiškų taisyklių aprašą. Kai svarbiau kiekvienos frazės vaidmuo ir nuotaikos posūkis, toks parametrų rinkinys gali reikalauti daugiau rankinio derinimo nei natūralios kalbos nuoroda.

Ką išmatavo klausymo tyrimas

2026 m. sintetinių balsų klausymo tyrime keturi bankininkystės ir draudimo tekstai virto 16 garso pavyzdžių; 13 dalyvių pateikė 816 atskirų pasitikėjimo, dominavimo ir užtikrintumo vertinimų. Kiekvienai sistemai buvo lyginama neutrali ir autoritetingiau skambėti nukreipta versija. Tyrimo klausimas buvo balso autoritetingumo įspūdis, o ne lietuviško tarimo kokybė ar bendras natūralumas.

„Azure“ atveju naudotas „GuyNeural“ balsas ir SSML stilius „unfriendly“; šio balso pakeista versija buvo įvertinta kaip reikšmingai labiau kelianti pasitikėjimą, dominuojanti ir užtikrinta nei neutrali. „ElevenLabs V3“ atveju naudotas „Travis Hill“ balsas, autoritetingumo žymos ir kitas stabilumo nustatymas. Ši pakeista konfigūracija statistiškai reikšmingo skirtumo nuo savo neutralios versijos pagal tas pačias savybes neparodė, nors abi jos buvo įvertintos aukštai.

Rezultatą reikia sieti su visomis bandymo sąlygomis, ne vien su žymomis ar paslaugos pavadinimu. Tyrėjai nurodė, kad neutralus „ElevenLabs“ balsas jau turėjo žemą pagrindinį toną, siejamą su autoritetingumo įspūdžiu; tai galėjo palikti mažiau erdvės pastebimam pokyčiui. Be to, „Azure“ bandyme naudotas stilius nepriskirtas lietuviškiems „OnaNeural“ ir „LeonasNeural“ balsams. Todėl tyrimas padeda suprasti valdymo būdų skirtumą konkrečioje situacijoje, bet neišrenka lietuviško įgarsinimo nugalėtojo.

Kaip pasirinkti savo tekstui

Pasakojimui, reklaminei replikai ar personažui, kurio nuotaika keičiasi, pirmiausia verta išmėginti lietuvių kalbą palaikantį „ElevenLabs“ modelį ir kelis tinkamus balsus. Tekstui, kuriame turi nuosekliai kartotis nustatytas skaitymo tempas bei garsumas, verta pradėti nuo „Azure Speech“ lietuviškų balsų ir SSML. Tai pradinė atranka pagal valdymą, o ne išankstinis sprendimas, kuris galutinis įrašas klausytojui patiks labiau.

Abiem paslaugoms pateikite tą pačią būsimam įrašui būdingą ištrauką. Joje turėtų būti įprastų sakinių, vardų, skaičių ir bent viena ilgesnė mintis, kuriai reikia natūralių pauzių. Klausydamiesi atskirai įvertinkite tarimą, kirčius, balso pastovumą ir tai, kiek teksto ar nustatymų pakeitimų prireikia norimam atlikimui. Trumpą ryškią repliką naudinga papildyti ilgesne ištrauka, jei balsas lydės visą pasakojimą.

Jei keli variantai skamba panašiai gerai, pasirinkimą gali nulemti redagavimo darbas: ar lengviau pataisyti emocinę nuorodą ir iš naujo sugeneruoti frazę, ar vieną SSML taisyklę pritaikyti daugeliui frazių. Būtent čia išryškėja praktinė emocijos ir valdymo kaina – kiek pastangų reikia gauti tinkamą lietuvišką įrašą ir išlaikyti jo kokybę per visą projektą.

Taip pat skaitykite: