Издадено е официално новата версия на откритата система за синтез на реч RHVoice 1.6.0, която първоначално е разработвана за осигуряване на качествена поддръжка на руския език, но след това е адаптирана и за други езици, включително английски, португалски, украински, киргизки, татарски и грузински. Кодът е написан на C++ и се разпространява под лиценз LGPL 2.1. Поддържа работа в GNU/Linux, Windows и Android. Програмата е съвместима с стандартните TTS интерфейси (text-to-speech) за преобразуване на текст в реч: SAPI5 (Windows), Speech Dispatcher (GNU/Linux) и Android Text-To-Speech API, но може да се използва и в екранен четец NVDA. Създателят и основният разработчик на RHVoice е Олга Яковлева, която развива проекта, въпреки че е напълно слепа.
В новата версия са добавени 5 нови варианта на гласове за руска реч. Реализирана е поддръжка на албанския език. Обновен е речника за украинския език. Подобрена е поддръжката за синтезиране на символи emoji. Извършена е работа по отстраняване на бъгове в приложението за платформата Android, опростен е вноса на потребителски речници, както и е добавена поддръжка за Android 11. В ядрото на двигателя са добавени нови настройки и функционалности, включително g2p.case, word_break и поддръжка на еквализационни филтри.
Напомняме, че в RHVoice се използват разработки от проекта HTS (HMM/DNN-based Speech Synthesis System) и параметричният метод на синтез със статистически модели (Statistical Parametric Synthesis на база HMM — Hidden Markov Model). Предимството на статистическия модел е ниската накладност и ненуждата от мощност на CPU. Всички операции се изпълняват локално на системата на потребителя. Поддържат се три нива на качество на речта (колкото по-ниско е качеството, толкова по-висока е производителността и по-малко е времето за реакция).
Недостатък на статистическия модел е сравнително ниското качество на произношението, което не достига нивото на синтезаторите, генериращи реч на базата на комбинация от фрагменти на естествена реч, но все пак резултатът е напълно разбираем и напомня на транслация на запис от говорител. За сравнение, проектът Silero, предлагащ отворен двигател за синтез на реч на базата на технологии за машинно обучение и набор от модели за руския език, превъзхожда RHVoice по качество.
За руския език са налични 13 варианта на гласове, а за английския — 5. Гласовете се формират на база на записи от естествена реч. В настройките могат да се променят скоростта, височината и силата на звука. За промяна на темпото може да се използва библиотеката Sonic. Възможно е автоматично откриване и смяна на езика на база анализа на входния текст (например, за думи и цитати на друг език може да се използва модел на синтез, роден за съответния език). Поддържат се гласови профили, определящи комбинации от гласове за различни езици.
Източник: opennet.ru
