Narakeet

定义

Narakeet 是一个在线的人工智能语音与视频制作服务，能够把书面文本转换成自然语音，并生成配有解说的演示视频。它面向全球用户设计，宣称支持约 100 种语言与 900 种声音^[1]。除网页界面外，该服务还提供接口，供开发者把语音合成与视频构建功能接入自己的软件或自动化流程^[2]。

它由英国公司 Video Puppet Limited 运营，该公司的名称也是产品早期的旧称^[3]。Narakeet 的定位是把配音与音画同步这类耗时环节自动化，使创作者只需修改文字脚本就能重新生成音频或视频^[4]。

根据欧洲现代语言中心收录的工具介绍，Narakeet 无需安装，属于基于浏览器的工具，可在任意浏览器上运行，用户可自行上传脚本或演示文稿，并调整声音类型与动画效果^[3]。该介绍还提到，用户注册账号后可以保存进度^[3]。

原理

Narakeet 的语音合成建立在神经网络语音模型之上。较早的语音合成系统把预先录制的音节片段拼接起来，输出带有生硬停顿和单调语调的机械音；而它所用的模型直接生成完整音频波形，从而还原自然对话中的节奏、重音与旋律^[5]。每一款声音都由真人语音数据训练而成，模型不只学习发音，也学习真实说话者的呼吸、停顿与强调方式^[5]。

在文本处理上，引擎把标点当作朗读提示：逗号造成短暂停顿，句号造成较长停顿，问号使语调上扬。用户还可以在文档中插入舞台指示，在同一个文件里切换不同声音，从而生成多说话人内容^[6]。生成音频时，文档的段落分隔会被转成自然的停顿，可调节语速与音高，并可叠加背景音乐^[5]。

录制与合成环节的流程是：用户提交脚本或幻灯片，系统自动创建视频片段、对齐音频与画面、添加字幕，并在场景之间应用转场效果^[4]。生成的音频支持 MP3、M4A 与 WAV 等格式，WAV 属于未压缩输出^[7]。

发展历程

Narakeet 起源于 Gojko Adzic 参加 2018 年 Startup School 时的项目，最初使用的名称是 Video Puppet^[4]。相关企业 Video Puppet Limited 于 2018 年 9 月 25 日在英国注册成立，总部位于沃金^[8]。

这一项目的最初目标是解决制作教程视频时的配音与音画同步问题。据其创作者自述，早期为了制作 5 分钟的视频内容，录制与重新剪辑的耗时超过 4 小时；脚本或网页稍作更新，整段配音就必须重做，成本与一致性都难以保证^[4]。

产品最初只用于把 PowerPoint 演示文稿转成旁白视频，后来出现了持续只用它提取音轨的用户。运营方据此简化了单独产出音频文件的流程，这一原本占比很小的用法最终成为主要使用方式^[9]。经过约两年的开发，Narakeet 正式开放使用，其创作者称 2020 年 4 月以来约有 5 万人参与公测，构建了超过 12 万个视频^[10]。

应用

Narakeet 常用于制作视频配音、有声读物与播客。用户可以粘贴文本、上传 Word 文档或纯文本文件，也可以上传 SRT、VTT 字幕文件，生成与时间轴同步的配音，用于制作视频的其他语言音轨^[1]。工具还支持从 Excel 表格批量生成音频文件，适用于呼叫中心的交互式语音应答系统等场景^[11]。

在教育领域，该工具可把演示文稿转为带解说的视频，用于在线学习与管理平台的内容生产^[11]。欧洲现代语言中心的介绍称其可以把幻灯片转成旁白视频，教师可据此把演示材料变成带配音的视频，并评价这一工具在时间效率上表现较高^[3]。

面向开发者，Narakeet 提供接口用于生成 MP3、M4A、WAV 音频，以及依据 Markdown 脚本与素材构建视频。接口分为两种模式：短内容流式模式直接返回音频字节，输入上限约 1 KB；长内容轮询模式接受最大约 1024 KB 的输入，返回一个状态地址供轮询^[7]。接口以请求头中的密钥做身份验证，默认配额为每天 86400 次请求，即每秒 1 次^[12]。视频构建需要先获取上传凭证，上传包含脚本与素材的压缩包，再触发构建并轮询结果^[13]。官方还提供命令行工具与 GitHub 动作，用于把视频生成接入持续集成流程^[2]。

局限

合成语音在自然度上仍有不足。欧洲现代语言中心的评价指出，由于声音是合成的，听起来有时会略显机械，因此它并不适合用来训练学生的发音^[3]。该介绍还提到隐私保护程度为中等，运营方会因营销等目的收集数据并使用 Cookie，并与第三方共享数据，其中包含亚马逊云服务^[3]。

在文本处理方面，短内容流式接口的输入上限约为 1 KB，长内容轮询接口约为 1024 KB，且 WAV 格式仅支持长内容模式^[7]。处理字幕文件时，系统按整句对齐，如果所选声音的朗读速度慢于字幕时间轴，它不会自动压缩音频，可能需要手动提高语速^[7]。音频接口也不支持引入外部资源，若需要背景音乐或额外素材，须改用视频项目类型^[2]。

接口的使用范围同样受限。默认情况下，接口每天允许 86400 次请求，超额需要申请提额^[12]。视频接口只支持由 Markdown 脚本生成视频，虽然用户可以在网页界面把 PowerPoint 演示文稿转为视频，但这一过程暂时无法直接自动化^[2]。

参见

• 语音合成 —— Narakeet 的核心功能所依赖的技术，把文本转换为语音。

• 神经网络 —— Narakeet 所用语音模型的基础，直接生成音频波形。

• 文本转语音 —— Narakeet 提供的主要服务类型。

• Markdown —— Narakeet 视频接口所采用的脚本格式。

• 字幕 —— Narakeet 可读取并能一并生成的时间轴文本文件。