Доступность Google Docs: Руководство по синтезу речи

Доступность в цифровых рабочих пространствах — это то, что позволяет каждому — людям с нарушениями зрения, дислексией, СДВГ или просто усталостью от чтения — получать доступ к той же информации. Синтез речи — один из самых быстрых способов открыть документ, но качество речи имеет огромное значение. Когда в прошлом месяце я преобразовывал двухстраничный раздаточный материал в аудио для семинара, разница между голосом системы по умолчанию и естественным голосом ИИ была поразительной: один звучал как машина, перечисляющая текст, другой — как коллега, читающий мои заметки.

В этом руководстве я покажу вам, как настроить Google Docs для программ чтения с экрана, а затем как добавить дополнение для синтеза речи для комфортного прослушивания больших текстов. Если вы создаете учебные материалы, наше руководство по голосам для электронного обучения охватывает лучшие практики создания четкого и увлекательного повествования в рамках того же рабочего процесса.

Почему естественные голоса важны для предотвращения утомляемости от прослушивания
Любой вспомогательный ридер может прочитать документ, но они не созданы равными. Голоса системных программ чтения с экрана оптимизированы для скорости и плотности информации, что подходит многим пользователям, но утомительно при длительном прослушивании. В моем сравнении я обнаружил, что монотонное чтение лекции на 2000 слов истощило меня за считанные минуты, в то время как разговорный голос с реалистичной интонацией был комфортен на протяжении двух полных прослушиваний. Исследования синтетической речи подтверждают то, что я слышал неофициально: понимание и запоминание страдают, когда слушателям приходится прикладывать усилия для разбора роботизированной интонации. Вот почему я рекомендую естественные голоса для повседневного прослушивания, а программы чтения с экрана оставляю для пользователей, которым специально требуются рабочие процессы с навигацией с клавиатуры.

Кто получает наибольшую пользу на практике? В моем воркшопе участники, отметившие наибольшую разницу, — это студенты с дислексией, которым приходилось многократно перечитывать разделы с бесцветным голосом, но которые уловили естественное чтение с первого раза; рецензенты, работающие с плотными отчетами; и пожилые учащиеся с возрастными изменениями зрения, которые просто предпочитали слушать. Общая ниша — когнитивная нагрузка: роботизированный голос заставляет вас работать интенсивнее, чтобы разобрать каждое предложение, поэтому усталость наступает раньше. Именно поэтому для длительного прослушивания я выбираю естественный голос и хорошо сбалансированный пресет, а не стандартную читалку.

Google официально документирует, как использовать программу чтения с экрана в Docs, и это стоит добавить в закладки, если вы или ваши студенты полагаетесь на нее. Встроенный путь надежен для навигации, а путь через аддон просто добавляет лучший голос поверх той же структуры документа.

Как выглядело мое тестирование
Я запустил этот рабочий процесс на двухстраничной раздатке с одним заголовком на раздел и небольшим блоком кейс-стади. В первом проходе использовалась встроенная программа чтения с экрана на стандартной скорости: точно, но монотонно, и я поймал себя на том, что перечитываю текст вместе с ней, чтобы не отставать. Во втором проходе использовался пресет AI Narrator «Лекции и концепции», и тот же текст не потребовал перечитывания. Я также попробовал пресет «АСМР и релаксация» на том же файле, чтобы сравнить темп; он лучше подошел к рефлексивному заключительному разделу, чем к фактическому началу. Если вы тестируете только одну вещь, сравните плоский системный голос с естественным пресетом на одном и том же абзаце — разница заметна сразу.

Структурирование документов, которые хорошо звучат вслух
Самым эффективным изменением, которое я внес в собственные документы, было использование реальных стилей заголовков. Программа чтения с экрана или аддон TTS выполняют навигацию по заголовкам, поэтому документ, созданный с использованием стилей «Заголовок 1», «Заголовок 2» и списков, приобретает структуру без каких-либо усилий; документ же, созданный с помощью ручного выделения текста жирным шрифтом, читается как сплошная стена. Помогают и другие привычки: одна мысль на абзац, предпочтение более коротких предложений, проговаривание неоднозначных аббревиатур по буквам (или их фонетическое написание) и добавление альтернативного текста к изображениям, чтобы они не пропускались молча. Это те же практики, которые Google рекомендует в своей документации по специальным возможностям, и они улучшают качество звука еще до того, как вы выберете голос.

Примечание об ограничениях
Немного практических цифр о продукте: AI Narrator обрабатывает до 10 000 символов текста за одну конвертацию TTS и предлагает 21 язык, 32 голоса и 19 пресетов. Бесплатный тариф включает 5 конвертаций в месяц; тариф Pro (около 7 долл. США в месяц) увеличивает этот показатель до 100 конвертаций, 100 анализов документов и 10 клонов голоса в месяц, а также открывает загрузку WAV и пользовательские библиотеки голосов. Если ваш документ длиннее лимита символов, аддон чисто разделит конвертацию, но об этом стоит знать перед генерацией 50-страничного руководства.

Формирование интонации с помощью тегов в [квадратных скобках]
AI Narrator работает на базе Google Gemini TTS и позволяет управлять озвучиванием с помощью встроенных тегов вместо пересоздания всего аудио. Вы можете отметить [Pace: slower] перед плотным отрывком, установить [Emotion: warm] для приветственного вступления или вставить подсказку [Sound] там, где живой рассказчик сделал бы паузу. Когда я заключил кейс-стади в скобки с тегом [Pace: conversational], чтение пошло естественно; без тега тот же абзац читался бы как список. Теги — это скорее усовершенствование, чем требование (19 пресетов уже задают разумную базовую линию), но именно они отличают аудио, которое звучит профессионально произведенным, от аудио, которое просто звучит озвученным.

Другие доступные TTS-опции, о которых стоит знать
AI Narrator — не единственный путь, и я регулярно тестирую альтернативы. Speechify — самый известный потребительский ридер: он заявляет о более чем тысяче голосов, более чем 60 языках и десятках миллионов пользователей, а версия Premium стоит около 139 долларов в год. NaturalReader имеет сильный бесплатный уровень, более 100 языков, а в платных тарифах добавляет клонирование голоса и OCR. Оба отлично читают веб-страницы и PDF-файлы, но ни один из них не превращает структурированный раздел Google Doc в скачиваемый файл так, как это делает аддон. Именно поэтому, когда источник находится в Docs, я оставляю AI Narrator в редакторе: он уважает заголовки документа и экспортирует аудио.