हाँ। MP3 इंजन की बनाई हुई असली धारा है, पैराग्राफ़ दर पैराग्राफ़ जोड़ी गई और बिना दोबारा एन्कोड किए — यानी वही जो प्लेयर ने अभी बजाया। WAV वही ऑडियो बिना संपीड़न के है, उन संपादकों के लिए जिन्हें यह अधिक सुविधाजनक लगता है।

हाँ, क्योंकि वे अंदाज़े से नहीं बनते। बनाते समय इंजन बताता है कि हर शब्द और हर वाक्य ठीक किस क्षण शुरू होता है और कितनी देर चलता है। SRT और VTT उन्हीं आँकड़ों से बनते हैं, इसलिए पढ़ने की गति बदलने पर भी वे सही बने रहते हैं।

डिवाइस की आवाज़ों के साथ कभी नहीं। न्यूरल आवाज़ों के साथ जो पैराग्राफ़ बोला जाना है वही हमारे अपने एंडपॉइंट पर जाता है, जो ऑडियो लौटाकर कुछ नहीं रखता। ईमानदार जवाब यही है: सैकड़ों मेगाबाइट का मॉडल डाउनलोड किए बिना न्यूरल आवाज़ें किसी टैब में नहीं समातीं।

हर पैराग्राफ़ की सीमा 3,000 अक्षर है, यानी लगभग एक पन्ना; इससे लंबा आयात अपने आप वाक्य की सीमाओं पर बँट जाता है। पूरी स्क्रिप्ट की कोई सीमा नहीं, पर बहुत लंबी स्क्रिप्ट का मतलब है कई अनुरोध और उसी अनुपात में अधिक समय।

हाँ, इसी के लिए वह पैराग्राफ़ों में बँटी है। कोई भी ब्लॉक खोलिए और उसे उसकी अपनी आवाज़, गति, सुर या तेज़ी दीजिए। जो आप नहीं बदलते वह पूरी स्क्रिप्ट के डिफ़ॉल्ट का पालन करता रहता है।

नहीं। हर पैराग्राफ़ को याद रहता है कि वह किस टेक्स्ट और किन सेटिंग्स से बना था, इसलिए संपादन के बाद सिर्फ़ वही दोबारा भेजे जाते हैं जो सचमुच बदले हैं। लंबे वाचन में यही कुछ सेकंड और कई मिनट का फ़र्क है।

क्योंकि वे ऑपरेटिंग सिस्टम की हैं, हमारी नहीं: Windows, macOS, Android, iOS और ChromeOS अपना-अपना सेट लाते हैं। भाषा पैकेज स्थापित करने से इस सूची में और आवाज़ें जुड़ती हैं। न्यूरल आवाज़ें, इसके उलट, हर जगह एक जैसी लगती हैं।