跳到文章正文
Grok 实用教程

Grok语音怎么做同步高亮?字符时间戳、Unicode与逐段衔接

依据官方Read-Along示例读取graph_chars与graph_times,按音频时钟高…

文字朗读配同步高亮,需要时间戳而不是按字数平均分秒。xAI官方Read-Along示例展示带时间戳的语音合成和播放器。本文重点解释数据对齐与验收,不重复普通TTS保存音频,也不声称英文示例能自动解决所有中文分词。

第一步:固定朗读文本与权利范围

使用自己有权朗读的短文本,先整理正文、段落与标点,保留版本。网页提取可能漏掉菜单、图注或脚注,先核对实际朗读内容,不能把URL可访问理解成全部原文已准确取出。

官方示例会替换方括号避免被当成语音标签。任何预处理都会改变字符位置,因此应以真正送入合成的文本建立对齐,而不是仍拿最初网页字符串索引。

第二步:申请带时间戳的语音结果

官方示例使用client.voice.speak并设置with_timestamps为true,得到音频Base64、graph_chars字符数组及graph_times的起止秒数。开发者凭据留在服务端,不为播放器公开长期API密钥。

先做一个短段落核对,不直接合成整篇。价格与用量按当前官方规则检查,本教程不沿用示例作者的历史耗时和费用作为本站亲测数据。

输入输出核对:实际送入文本;音频身份;graph_chars长度;graph_times长度;每字符起止秒数;是否含预处理;是否完整返回。两数组长度不一致先报告错误,不盲目配对。

第三步:处理Unicode与中文边界

官方指出graph_chars按Unicode字符计,而JavaScript字符串某些字符占两个代码单元,例如emoji。应遍历返回字符数组,不用字符串下标直接假定一一对应;否则一个emoji后所有高亮都可能错位。

英文示例按空格组成单词,中文没有相同空格边界。可先按字符或标点短语高亮,再根据实际需求加入中文分词;词边界变化后,起点取首字符、终点取末字符,不平均分配时长。

人工测试文本:备份完成🙂请核对文件。
检查emoji前后、标点和停顿是否对齐。字符数量按返回数组核对,不用JavaScript text.length替代。

第四步:跟随音频时钟而非定时器猜测

播放器以音频currentTime决定当前高亮,暂停、变速、跳转后重新计算,不用每隔固定毫秒移动一个词。点击文字跳转应设置对应开始时间,并核对浏览器媒体服务是否支持seek。

逐段音频需要记录各段真实起点。合成时长与拼接文件实际时长可能存在差异,不能简单累加估计值让文章后半段逐渐漂移;以实际媒体和对应映射核对。

第五步:逐场景验收与停止

测试首尾、emoji、中文、数字、标点、暂停、变速和跳转。某段失败或没合成完时显示明确状态,不播放别段却高亮当前段。关闭页面或Stop还要取消未完成请求,不能只停止前端动画。

交付音频、文本版本、时间戳和映射方法,保留已知限制。完成标准是听到的内容与高亮对应、跳转准确且失败可解释,不是一张静态页面看起来像卡拉OK。示例未执行实际付费合成,不提供虚构音频或成功截图。

官方资料

资料核对日期:2026年11月19日。

本文地址:https://www.163264.com/21905