Botuesit po përdorin zërin e gjeneruar me inteligjencë artificiale për t’iu përgjigjur kërkesës në rritje për libra audio. Regjistrimi tradicional kërkon kohë, studio dhe narratorë, ndërsa prodhimi në disa gjuhë ose me disa zëra e shton kompleksitetin.
Teknologjia text-to-speech (TTS) e shndërron tekstin në të folur, ndërsa klonimi i zërit synon të riprodhojë karakteristikat e një narratori. Materiali përqendrohet te platforma ElevenLabs, modeli i së cilës përshkruhet si i bazuar në arkitekturën transformer dhe me dalje audio në 24 kHz. Për klonimin përmendet përdorimi i rreth 5–10 minutave regjistrim të folësit dhe përshtatja e modelit me zërin e tij.
Sipas materialit, botuesit që kanë provuar zërin me AI raportojnë deri në 70% ulje të kohës së prodhimit dhe 50% ulje të kostove të studios. Gjenerimi i audios mund të kryhet në minuta, por përpunimi pasues mund të kërkojë orë. Përdorimi i shërbimeve në cloud synon të zvogëlojë varësinë nga kapaciteti i studiove.
Për ekipet teknike, integrimi nis me krijimin e një llogarie dhe marrjen e një çelësi API, i cili duhet ruajtur në mënyrë të sigurt dhe jo të vendoset drejtpërdrejt në kodin e projektit. Materiali paraqet edhe nisjen e një prove me curl për gjenerimin e një fragmenti zanor.
Burimi: DEV Community (Web Dev Feed) — lexoni artikullin e plotë në anglisht.
