Integrimi i të folurit të gjeneruar nga inteligjenca artificiale u mundëson aplikacioneve celulare të lexojnë tekstin me zë, pa regjistruar dhe mirëmbajtur skedarë audio paraprakisht. Materiali trajton përdorimin e Text-to-Speech (TTS) dhe klonimit të zërit për aplikacione të mësimit të gjuhëve, libra audio dhe mjete navigimi pa përdorimin e duarve.
Dalja zanore mund të ndihmojë përdoruesit me dëmtime të shikimit ose vështirësi në lexim. Modelet moderne të TTS përdorin të mësuarit e thellë për të riprodhuar intonacionin, ritmin dhe emocionin e të folurit. Përzgjedhja e shërbimit kërkon vlerësimin e cilësisë së zërit, kohës së përgjigjes së API-së, çmimit, personalizimit dhe dokumentacionit për platformat celulare.
Si shembull përdoret ElevenLabs, që ofron gjenerim të të folurit përmes një REST API. Hapat përfshijnë krijimin e llogarisë, marrjen e çelësit API, zgjedhjen e një zëri dhe testimin me curl. Kërkesa shembull përdor modelin eleven_multilingual_v2 dhe e ruan përgjigjen në skedarin hello.mp3.
Teksti parashikon integrim në iOS, Android dhe React Native, por fragmenti i dhënë arrin vetëm te fillimi i shembullit për iOS në Swift. Ai paraqet një klasë që synon të thërrasë API-në e ElevenLabs dhe të luajë audion MP3 me AVAudioPlayer; kodi në dispozicion është i paplotë.
Burimi: DEV Community (Web Dev Feed) — lexoni artikullin e plotë në anglisht.
