קול גלגל המתגלגל

ב-23 בספטמבר גוגל הכריזה על שני מודלים ליצירת דיבור:

ג'מיני 3.8 פלאש טי-טי-אס, המודל היצירתי, לקריינות, לדמויות ולתוכן שדורש רגש. לפי התיעוד, הוא תומך ב-130 שפות.

ג'מיני 3.8 פלאש-לייט טי-טי-אס, הגרסה החסכונית, לנפח גבוה. תומך ב-101 שפות.

עברית נמצאת ברשימת השפות הרשמית של שניהם. לצד זה יש ספרייה של יותר מ-2,000 קולות מוכנים, ואפשרות ליצור קולות חדשים לגמרי.

הדרך הכי פשוטה לנסות היא דרך Google AI Studio, סביבת העבודה של גוגל, שמאפשרת להתנסות במודלים בלי לכתוב קוד. מפתחים מקבלים את המודלים דרך הממשק התכנותי של ג'מיני. המודל הגדול נכנס גם ל-Gemini Notebook, והקל נכנס ל-Google Vids.

זה ההבדל הכי חשוב בין שני הכלים, והוא בדיוק המקום שבו ההרגלים שלכם עלולים לעבוד נגדכם.

ב-ElevenLabs, הבימוי נכתב בתוך הטקסט. תגיות כמו [whispers], [laughs] או [sighs] יושבות בסוגריים מרובעים בתוך המשפט, והמודל מבצע אותן.

בג'מיני, התיעוד אומר במפורש שהטקסט הוא תמליל מדויק. כל מה שכתוב בו, מלבד התגיות בסוגריים משולשים, נאמר בקול. האופי הכללי עובר לשדה נפרד.

כלומר, מי שרגיל לכתוב הוראות בתוך המשפט:

עלול לגלות שג'מיני לא לוחש, אלא אומר בקול רם "בשקט, כמעט בלחישה", ואז את המשפט.

הדרך הנכונה בג'מיני היא לפצל: ההנחיה עוברת לשדה הסגנון, רגעים נקודתיים נכתבים כתגיות בסוגריים משולשים, והטקסט נשאר נקי.

לקחתי משפט אחד והרצתי אותו שלוש פעמים. אותו משפט, אותה כוונה. ההבדל היחיד הוא איפה נכתבה הוראת הבימוי.

תשקיעו בליהוק, לא בהנחיות חוזרות. המודל נאחז קודם כל במאפייני הקול עצמו. ככל שמוסיפים יותר הנחיות סגנון חוזרות לאורך הטקסט, הקול נוטה לסטות. עדיף להגדיר דמות מדויקת פעם אחת, ואז כמעט לא לגעת.

תתחילו עם שדה סגנון ריק. מריצים קודם בלי שום הנחיה, מקשיבים, ורק אז מכווננים.

תכתבו כמו שמדברים. גוגל ממליצה לכתוב תמליל של דיבור אמיתי, כולל היסוסים ומילות מילוי. טקסט מלוטש מדי נשמע כמו מישהו שמקריא.

במדד עיצוב הקול של Hume, המודל הגדול של גוגל הגיע למקום הראשון עם ציון של 71.4, ובמדד האיכות הכללי שני המודלים תפסו את שני המקומות הראשונים. בהשוואות עיוורות הם הגיעו לצמרת ביפנית, בפורטוגזית ברזילאית, בוייטנאמית, בערבית, בספרדית מקסיקנית ובהינדית.

עברית לא נבדקה באף אחד מהמדדים האלה. כלומר, "מוביל במדדים" לא אומר "מוביל בעברית". ElevenLabs תומכת בעברית גם היא, ואין מדד ציבורי שמשווה ביניהם בשפה שלנו.

אז הדרך היחידה לדעת היא לבדוק. קחו טקסט מבחן קצר שמכיל את שלושת הדברים שמודלי קול נוטים להיכשל בהם בעברית, והריצו אותו בשני הכלים:

בג'מיני אפשר ליצור קול מהקלטה של כשלושים שניות. גוגל הוסיפה לזה כמה בלמים:

אישור של בעל הקול. צריך הקלטה שבה בעל הקול מאשר במפורש את השימוש. בלי זה, אין שכפול.

חותם דיגיטלי. כל קטע אודיו שהמודלים מפיקים נושא סימן מים בלתי נשמע, שמאפשר לזהות אותו בדיעבד כתוצר של בינה מלאכותית.

הגבלה גיאוגרפית. שכפול קול לא זמין באיחוד האירופי, בבריטניה, בשווייץ, בהודו ובשתי מדינות בארצות הברית.

בלי הסכמה, לא משכפלים. לא את הבוס, לא את השכן, ולא את הזמר שאתם אוהבים. בשום כלי.

אין גרסה פתוחה. אי אפשר להריץ את המודל על שרת פרטי. כל האודיו עובר דרך גוגל.

המודל מדווח על בעיות. כרטיס המודל הרשמי מציין הזיות ואיטיות מזדמנת. בהפקה ארוכה, מתכננים זמן לבדיקה.

הביטחון בעברית עוד לא קיים. עד שמישהו יבדוק באופן מסודר, כל פרויקט בעברית מתחיל בהאזנה.

הכישור הוא בימוי, בכל כלי. ליהוק טוב הוא תיאור טוב, והנחיה טובה היא משפט אחד מדויק. מי שיודע לעשות את זה ב-ElevenLabs, יודע לעשות את זה בג'מיני. רק התחביר שונה.

לא צריך לעבור כלי. צריך לדעת להשוות. יש עכשיו שני שחקנים חזקים. הריצו את אותו טקסט בשניהם, בעברית, ותחליטו לפי האוזן ולא לפי המדדים.

ההאזנה נשארת אצלכם. אף מודל לא מכיר את השם של העסק שלכם, ולא יודע מה בדיוק התכוונתם. כמה דקות של האזנה הן ההבדל בין קריינות שנשמעת מלאכותית לקריינות שאף אחד לא שם לב אליה.

את הדרך סללה ElevenLabs, וגוגל נכנסה עכשיו בכל הכוח. הגלגל ממשיך להתגלגל, ומי שמרוויח מזה הם מי שמייצרים תוכן.

כי ברגע שיש יותר מכלי אחד טוב, השאלה כבר לא "איזה כלי", אלא "מה אני רוצה שיישמע".