Dhwani: Text to Speech

Dhwani voice

The voice Dhwani is available in the Azure Text-to-Speech service for the Gujarati language.

How to use Dhwani voice in your videos

To use Dhwani voice in your videos, you can use the following JSON2Video code:

{
    "type": "voice",
    "model": "azure",
    "voice": "gu-IN-DhwaniNeural",
    "text": "વસંત માં, બગીચો રંગીન ફૂલો અને ગાતા પક્ષીઓ થી જીવંત થાય છે. જૂની ઓક વૃક્ષ મુલાકાતી માટે છાયો આપે છે, જ્યારે કીડા તો ગુલાબને વિચારે. એક નાનું ફવ્વારો શાંતિપૂર્વક ધ્વનિ બનાવે છે, આ નારેજીની સુંદરતા ને આનંદ માણવાના યોગ્ય સ્થળ બનાવે છે."
}

$scene->addElement([
'voice',
'azure',
'gu-IN-DhwaniNeural',
'વસંત માં, બગીચો રંગીન ફૂલો અને ગાતા પક્ષીઓ થી જીવંત થાય છે. જૂની ઓક વૃક્ષ મુલાકાતી માટે છાયો આપે છે, જ્યારે કીડા તો ગુલાબને વિચારે. એક નાનું ફવ્વારો શાંતિપૂર્વક ધ્વનિ બનાવે છે, આ નારેજીની સુંદરતા ને આનંદ માણવાના યોગ્ય સ્થળ બનાવે છે.'
]);

scene.addElement([
"voice",
"azure",
"gu-IN-DhwaniNeural",
"વસંત માં, બગીચો રંગીન ફૂલો અને ગાતા પક્ષીઓ થી જીવંત થાય છે. જૂની ઓક વૃક્ષ મુલાકાતી માટે છાયો આપે છે, જ્યારે કીડા તો ગુલાબને વિચારે. એક નાનું ફવ્વારો શાંતિપૂર્વક ધ્વનિ બનાવે છે, આ નારેજીની સુંદરતા ને આનંદ માણવાના યોગ્ય સ્થળ બનાવે છે."
]);

Dhwani supports SSML

SSML stands for Speech Synthesis Markup Language. It's a way to add instructions to your text so that a Text-To-Speech (TTS) system knows how to read it aloud.

You use SSML like HTML, but for controlling speech. It helps you adjust things like: Pronunciation, Pauses, Pitch and Volume, Emphasis, Speaking Rate.

{
    "type": "voice",
    "voice": "gu-IN-DhwaniNeural",
    "text": "<speak>Hello, <break time="500ms"/> how are you today? <emphasis level="strong">This is important!</emphasis></speak>"
}

$scene->addElement([
'voice',
'gu-IN-DhwaniNeural',
'<speak>Hello, <break time="500ms"/> how are you today? <emphasis level="strong">This is important!</emphasis></speak>'
]);

scene.addElement([
"voice",
"gu-IN-DhwaniNeural",
"<speak>Hello, <break time="500ms"/> how are you today? <emphasis level="strong">This is important!</emphasis></speak>"
]);

Dhwani is a neural voice

In Azure Cognitive Services, a Neural voice refers to a voice generated using neural network technology. This means the Text-To-Speech system uses advanced machine learning models to create more natural, human-like speech compared to traditional methods.

Key characteristics of Neural voices:

• More expressive and realistic
• Better at handling pitch, tone, and rhythm variations
• Sounds closer to how humans naturally speak