برای ساخت گفت‌وگوی چندصدا،پیش از تولید صوت باید بدانیم هر جمله متعلق به کدام نقش،در کدام نوبت و از کدام نسخهٔ متن است. فقط نوشتن «صدای اول و دوم» برای تحویل دقیق کافی نیست. یک متن شش‌نوبتیِ اصیل و قرارداد فایل به ما کمک می‌کند ترتیب،نقش و اصلاح متن را جدا کنترل کنیم؛ هنوز هیچ صدایی تولید نشده است.
نقشِ نوشته‌شده را با هویت و کانال یکی نگیریم
در این نمونه دو نقش خیالی داریم: راوی آموزشی و پرسشگر. این‌ها نام فرد واقعی یا مجوز تقلید صدای او نیستند. شناسهٔ صدای قابل‌استفاده هنوز انتخاب و تأیید نشده و در فایل مقدارnullدارد. تعیین نقش،پیش‌تولید است؛ مجازبودن صدا و امکان ارائهٔ آن باید جدا روشن شود.
تفکیک گوینده در ضبط موجود از روی صوت برچسب می‌دهد؛ اینجا جمله را از قبل به نقش اختصاص می‌دهیم. یک‌کاناله یا استریوبودنِ فایل نیز خودبه‌خود تعداد نقش‌ها یا هویت آن‌ها را تعیین نمی‌کند.
متنِ آموزشیِ شش‌نوبتی
| نوبت | نقش | متنِ نمونهٔ اصیل |
|---|---|---|
| T1 | راوی | امروز فرق مشاهده و حدس را تمرین می‌کنیم. |
| T2 | پرسشگر | اگر چراغ اتاق روشن باشد،یعنی کسی داخل است؟ |
| T3 | راوی | روشن‌بودن چراغ مشاهده است. حضور فرد هنوز حدس است. |
| T4 | پرسشگر | پس باید قبل از نتیجه‌گیری،شاهد دیگری پیدا کنم. |
| T5 | راوی | بله. در یادداشت،مشاهده و برداشتت را جدا بنویس. |
| T6 | پرسشگر | من فقط می‌نویسم چراغ روشن است؛حضور فرد تأیید نشده است. |
متنJSONهمراه نسخهٔ مرجعِ دارای فاصله‌گذاری کامل است. جمله‌ها از مکالمهٔ مشتری برداشت نشده‌اند و وجود دو نقش،گزارش آزمایش کیفیت دو صدای واقعی نیست.
قرارداد هر نوبت چه اطلاعاتی دارد؟
برای هر نوبت،turn_id،ترتیب،نقش،متن،نسخهٔ متن وSHA-256واقعیِ همان متن ثبت شده است. نام‌هایی مانندturn-001.wavفقط نام پیشنهادیِ خروجی آینده‌اند؛ فایل صوتی با این نام در بسته وجود ندارد. مدت و هش صدا عمداًnullهستند. نام فایلِ برنامه‌ریزی‌شده،شاهد تحویل یا مدت واقعی نیست.
در این نمونه،نوبت‌ها پشت‌سرهم و بدون هم‌پوشانی طراحی شده‌اند. اگر قرار است دو نقش هم‌زمان صحبت کنند،شروع،پایان و قاعدهٔ میکس قرارداد دیگری می‌خواهد. مکث بین نوبت‌ها هم باید پس از تولید و شنیدن متناسب هدف بررسی شود؛ از ترتیب۱تا۶مدت زمانی استخراج نمی‌کنیم.
اصلاح یک جمله،کدام قطعه را بی‌اعتبار می‌کند؟
اگرT3عوض شد،نسخه و هش متن آن باید تازه شود و صوت مربوط،پس از تولید واقعی دوباره به همین نسخه متصل شود. صداگذاری دوبارهٔ همهٔ نوبت‌ها همیشه لازم نیست،اما میکس نهایی و پیوندهای نسخه باید کنترل شوند. اشتباهِ خطرناک،ترکیب متن جدید با قطعهٔ صوتی قدیمی بدون اعلام آن است.
کد همراه،برای همین قراردادِ کوچک ترتیب شش نوبت،وجود نقش،نسخه و هش متن را واقعاً کنترل کرده است. سه خرابیِ عمدیِ ترتیب معکوس،نقش ناشناخته و نسخهٔ قدیمی هم رد شده‌اند. این کنترل مجوز صدا،درستی تلفظ،بلندی میکس یا وجود فایل صوتی را تأیید نمی‌کند.
تولید چندصدا را چگونه سفارش دهیم؟
نقش‌ها،لحن مطلوب،حدود شباهت صداها و متن نهایی را مشخص کنید. بپرسید سرویس چندصدای موردنیاز را با چه روش و دامنه‌ای ارائه می‌کند. وجود عنصرvoiceدر استانداردSSML،به معنی پذیرش همهٔ شناسه‌ها،همهٔ زبان‌ها یا پشتیبانی همان روش در هر موتور نیست. این فایلJSONنیزAPIیاقالب ورودی اپراگو نیست.
برای بررسی امکان اجرای پروژه با اپراگو،متن مرجع و نقشهٔ نقش‌ها را همراه درخواست راه‌اندازی مطرح کنید. قبل از استفادهٔ عمومی،خروجی واقعی باید از نظر ترتیب نوبت،نسبت متن و صدا و مجازبودن صدا شنیده و تأیید شود. این مقاله تحویل صوتِ هنوز ساخته‌نشده را وعده نمی‌دهد.
فایل تمرین و منبع
متن اصیل شش‌نوبتی،نقش‌های خیالی و وضعیت تولیدنشدهٔ صدا · کنترل ترتیب،نقش،هش متن و سه خطای عمدیِ قرارداد
منابع در ۳ نوامبر ۲۰۲۶ خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.