एक्सप्लेनर और प्रोडक्ट डेमो वीडियो के लिए

कोर्स का ऑडियो मॉड्यूल दस में भी वैसा ही सुनाई देना चाहिए जैसा मॉड्यूल एक में सुनाई देता है। ये आवाजें सभी सेशन के दौरान एक जैसी बनी रहती हैं, उच्चारण शब्दकोशों (डिक्शनरी) के ज़रिए तकनीकी शब्दावली को संभालती हैं, और अंग्रेजी के साथ-साथ नौ भारतीय भाषाओं को कवर करती हैं।

शॉर्ट-फ़ॉर्म की सफलता तेज़ रफ़्तार पर निर्भर करती है, और इसकी गति 2.0 तक बढ़ाई जा सकती है। एडिटिंग के बाद स्क्रिप्ट बदल जाती हैं, इसलिए लाइन-दर-लाइन जनरेट करने का मतलब है कि किसी सेक्शन को रीटाइम करने पर पूरी ट्रैक के बजाय केवल एक लाइन का ही खर्च आता है।

कमर्शियल रीड्स छोटे, तेज़ होते हैं और इनके अलग-अलग वेरिएंट्स का परीक्षण करना फायदेमंद होता है। तीस सेकंड का एक विज्ञापन एक या दो रिक्वेस्ट्स का होता है, जिससे इसके चार वर्ज़न बनाना, एक सेशन बुक करने की तुलना में सस्ता हो जाता है।

पॉडकास्ट प्रोडक्शन पहले से ही सेगमेंट आधारित है, जो शॉर्ट कॉल्स में जनरेशन के लिए अनुकूल है। इंट्रो और विज्ञापन रीड़स एक बार जनरेट होते हैं और कैश हो जाते हैं, और अलग-अलग आवाज़ों को मिलाने से बिना दो लोगों को बुक किए एक टू-हैंडर (दो लोगों का शो) तैयार हो जाता है।

कॉरपोरेट नैरेशन (व्याख्यान) को किसी खास टोन की तुलना में सुसंगत शब्दावली की अधिक आवश्यकता होती है। उच्चारण शब्दकोश ब्रांड और उत्पाद के नामों को एक ही बार में सटीक रूप से तय कर देते हैं, जिससे लाइब्रेरी का हर मॉड्यूल पहले मॉड्यूल से मेल खाता है।

गति यहाँ सबसे विश्वसनीय साधन है, आवाज़ की शैली (कास्टिंग) नहीं। 1.2 और 1.4 के बीच की सेटिंग्स सूची (कैटलॉग) की लगभग किसी भी आवाज़ को बेहतर बना देती हैं, हालाँकि लंबे वाक्य लगभग 1.5 से आगे बढ़ने पर अस्पष्ट होने लगते हैं।

घोषणाएँ गूंजते हुए हॉलों में सुनी जाती हैं और हजारों बार दोहराई जाती हैं। उच्चारण शब्दकोश स्टेशनों और स्थानों के नामों को स्थायी रूप से तय करते हैं, यूलॉ (ulaw) और एलॉ (alaw) सीधे पब्लिक एड्रेस हार्डवेयर को फीड करते हैं, और एक ही आवाज पूरी बहुभाषी श्रृंखला को संभालती है।

बड़े पैमाने पर काम करने पर लागत बढ़ने का मुख्य कारण डुप्लिकेशन (दोहराव) होता है, न कि जनरेशन (उत्पादन)। टेक्स्ट को हैश करने और जो पहले से मौजूद है उसे छोड़ने से इसमें से अधिकांश भाग हट जाता है, क्योंकि कैटलॉग और टेम्प्लेट के काम में लगातार एक ही वाक्यांश बार-बार दोहराए जाते हैं।

वेब चैट असामान्य है क्योंकि विज़िटर एक ही समय में पढ़ता और सुनता है। ये आवाज़ें इत्मीनान से बोलने के लिए उपयुक्त हैं, वेबसॉकेट (WebSocket) पर लगभग 200 मिलीसेकंड में चलना शुरू हो जाती हैं, और एक ही एकीकरण (integration) से बारह भाषाओं को कवर करती हैं।

हर ब्रांच को पहले से रेंडर करने का मतलब है हर ब्रांच को डिलीवर करना। इसके बजाय, वेबसॉकेट स्ट्रीमिंग से बातचीत खेल के दौरान ही जेनरेट होती है, जिससे कन्वर्सेशन ट्री की लागत केवल उसी की आती है जो खिलाड़ी वास्तव में सुनते हैं, न कि उसकी जो वे सुन सकते हैं।