טקסט לדיבור בעברית: איך הופכים טקסט כתוב לקריינות טבעית

שתי מטרות, שני סוגי כלים

לפני שבוחרים כלי, שואלים מה צריך לצאת בסוף. מי שרוצה שיקריאו לו כתבה בזמן נהיגה לא צריך את אותו דבר כמו מי שמכין קריינות לסרטון תדמית.

הקראה חינמית שכבר יש לך

רוב האנשים לא יודעים שהמכשיר שלהם כבר מקריא עברית, ובאיכות לא רעה.

במחשב

בדפדפן Edge של מיקרוסופט יש פקודה בשם "הקראה בקול". פותחים עמוד אינטרנט או קובץ PDF, לוחצים בלחצן הימני ובוחרים בה, או מקישים Ctrl+Shift+U. בהגדרות הקול אפשר לבחור בין קול נשי לקול גברי בעברית ולשנות מהירות. אלה קולות עצביים, והם נשמעים טבעיים בהרבה מהקול הרובוטי הישן של Windows. גם בוורד יש כפתור הקראה, בלשונית "סקירה".

באייפון ובאנדרואיד

באייפון נכנסים להגדרות, נגישות, תוכן מוקרא, ומפעילים את ההקראה של קטע מסומן. מאותו רגע, סימון של טקסט בכל אפליקציה מציג אפשרות הקראה. באנדרואיד האפשרות נקראת "הקראה" ונמצאת בהגדרות הנגישות, והיא נשענת על מנוע הדיבור של גוגל, שתומך בעברית.

למה זה לא מספיק לסרטון? כי הכלים האלה מקריאים ולא מייצאים. אין כפתור הורדה, והקלטה של הרמקול דרך המיקרופון נשמעת בהתאם. מי שצריך קובץ עובר לסוג השני.

מחוללי קריינות בבינה מלאכותית

מחולל קול מקבל טקסט ומחזיר קובץ MP3 או WAV, עם קולות שנשמעים קרוב מאוד לאדם: נשימות, הדגשות ושינויי קצב. לא כל מודל יודע עברית, וזו הנקודה שבה הרבה נופלים. שירות שנשמע מצוין באנגלית יכול להפיק בעברית מבטא זר, או ג'יבריש.

בודקים שני דברים לפני שנרשמים. הראשון, שעברית מופיעה ברשימת השפות של המודל הספציפי. רשימת השפות הכללית של השירות לא מספיקה. ב-ElevenLabs, למשל, עברית מופיעה ברשימת השפות של המודל Eleven v3, ולא בכל המודלים הקודמים של אותה חברה. השני, שמנסים משפט אחד ארוך עם מספר, שם פרטי ומילה באנגלית. שלושת אלה חושפים מהר איך המודל מתמודד עם עברית אמיתית.

מפתחים שרוצים לשלב הקראה באתר או באפליקציה פונים בדרך כלל לשירותי הענן של גוגל ושל מיקרוסופט, שמציעים קולות עבריים דרך ממשק תכנות ומחייבים לפי מספר התווים.

למה עברית קשה למכונה, ואיך מכינים את הטקסט

עברית נכתבת בלי ניקוד, והמכונה צריכה לנחש את התנועות. המילה "ספר" יכולה להיות ספר לקריאה, הספר שמסתפר אצלו, או הפועל סיפר. אדם מבין מההקשר. מודל טועה בזה פעם בכמה משפטים, וטעות אחת כזו מספיקה כדי שהמאזין יבין שמקריאה לו מכונה.

את רוב הטעויות אפשר למנוע מראש:

• מנקדים רק את המילה הבעייתית. לא צריך לנקד משפט שלם. ניקוד של אות אחת או שתיים במילה הדו משמעית מספיק לרוב המודלים.
• כותבים מספרים במילים. "שלוש מאות וחמישים שקלים" במקום 350 ₪. כך שולטים גם בזכר ובנקבה, שהמכונה מרבה לטעות בהם.
• פותחים ראשי תיבות. "מנהל כללי" ולא מנכ"ל, אלא אם בדקת שהמודל קורא אותם נכון.
• כותבים מילים לועזיות כמו ששומעים אותן. שם של מוצר באנגלית בתוך משפט עברי נקרא לפעמים במבטא מוזר. תעתיק עברי פותר את זה.
• מפסקים בשביל האוזן. פסיק הוא נשימה קצרה, נקודה היא עצירה. משפט של ארבעים מילים בלי פסיק יוקרא בנשימה אחת ויישמע מלאכותי.

טיפ שחוסך הרבה זמן: מפיקים את הקריינות פסקה אחרי פסקה ולא כקובץ אחד ארוך. כשמילה אחת יוצאת לא נכון, מייצרים מחדש רק את הפסקה שלה. אני עובד כך גם עם קריינים אנושיים, מאותה סיבה בדיוק.

כמה טקסט נכנס בדקה

קריינות בעברית בקצב נינוח נעה סביב 120 עד 150 מילים בדקה. לסרטון של דקה כותבים בערך 130 מילים, ולסרטון של שלושים שניות לא יותר מ-65. רוב הטקסטים שנכתבו לקריאה ארוכים מדי להקראה. קוראים את הטקסט בקול מול שעון לפני שמייצרים, ומקצרים.

ברוב המחוללים אפשר לשנות מהירות. האטה של עשרה אחוזים נשמעת טבעית. מעבר לזה הקול מתחיל להימרח, ועדיף לקצר את הטקסט.

אחרי שיש קובץ: שלושה תיקונים קטנים

קריינות שיצאה ממחולל נקייה מרעשים, ובכל זאת כדאי לטפל בה לפני שהיא נכנסת לסרטון.

עוצמה. מחוללים שונים מוציאים קבצים בעוצמות שונות. לדיבור בפודקאסט היעד המקובל הוא מינוס 16 LUFS, כמו שמוסבר במדריך על הקלטת פודקאסט מהבית.

מוזיקת רקע. מנמיכים אותה כ-18 עד 20 dB מתחת לקריינות. מוזיקה שנשמעת בדיוק נכון כשמקשיבים לה לבד תמיד חזקה מדי מתחת לדיבור. איפה מוצאים רצועות שמותר להשתמש בהן מוסבר במדריך על מוזיקה ללא זכויות יוצרים, ואם צריך גם צלילים, יש מדריך על אפקטים קוליים להורדה.

רווחים. מכונה לא משאירה מקום למחשבה. מוסיפים חצי שנייה של שקט אחרי משפט חשוב, וחותכים נשימות מלאכותיות שנשמעות מוגזמות.

מה מותר לעשות עם הקול

שלושה דברים שכדאי לבדוק לפני שהקריינות יוצאת לפרסום:

• שימוש מסחרי. ברוב השירותים המסלול החינמי מיועד לשימוש אישי, ודורש קרדיט לשירות. פרסומת, סרטון ממומן או קורס בתשלום דורשים מנוי. התנאים משתנים, וקוראים אותם ביום שמשתמשים.
• שכפול קול. משכפלים רק קול שלך, או קול של מי שנתן הסכמה מפורשת. שימוש בקול של אדם אחר בלי רשות הוא בעיה משפטית ולא רק אתית.
• גילוי. חלק מהפלטפורמות מבקשות לסמן תוכן שנוצר בבינה מלאכותית כשהוא נשמע כמו אדם אמיתי. בודקים את הכללים של הפלטפורמה שבה מפרסמים.

אותן שאלות עולות גם במוזיקה, והן מפורטות במדריך על יצירת שיר בבינה מלאכותית.

מתי עדיף קריין אנושי

מכונה טובה בטקסט מידעי: הדרכה, סרטון הסבר, הקראת מאמר. היא חלשה בכל מה שדורש כוונה. פרסומת שצריכה לשכנע, סיפור עם רגש, הומור, או טקסט שהמשמעות שלו תלויה בהדגשה של מילה אחת. קריין אנושי גם מתקן תוך כדי קריאה ניסוח שלא עובד בקול, ומכונה תקריא אותו כמו שהוא.

יש גם דרך ביניים: להקליט את עצמך. קול אמיתי של בעל העסק, גם אם אינו קריין, יוצר לעיתים קרובות יותר אמון מקול מושלם שאין מאחוריו אף אחד.

שאלות נפוצות

הכלי הוא החלק הקל. מה שמבדיל קריינות שנשמעת כמו אדם מקריינות שנשמעת כמו מכונה הוא טקסט שנכתב לאוזן, עם משפטים קצרים, מספרים במילים ומקום לנשום.