Издаване на синтезатор за реч RHVoice 1.8.0

Излезе версия 1.8.0 на откритата система за синтез на реч RHVoice, първоначално разработена за качествена поддръжка на руски език, но впоследствие 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. Поддържат се платформи GNU/Linux, Windows и Android. Програмата е съвместима с типичните 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 екранния ридер NVDA. Създаването и основното развитие на RHVoice е дело на Оля Яковлева, която продължава проекта, въпреки че е напълно слепа.

В версия 1.8 за платформата Android е предложена нова система за управление на гласовите и езикови данни, която позволява изтегляне на актуализации на гласови данни без да е необходимо обновяване на мобилното приложение. Проверка за наличие на актуализации на данните за добавените гласове и езици се извършва автоматично. Освен това, в новия вариант е имплементирана поддръжка на полски език и е добавен нов глас за македонския език. Осигурена е съвместимост с новите алфа и бета версии на екранния ридер NVDA. Решени са проблемите със събирането на платформата Linux, които възникваха при липса на Speech Dispatcher.

Напомняме, че в RHVoice се прилагат разработки от проекта HTS (HMM/DNN-based Speech Synthesis System) и параметричният метод за синтез със статистически модели (Statistical Parametric Synthesis на базата на HMM — Hidden Markov Model). Предимството на статистическата модел е ниските разходи и ненатовареността на CPU. Всички операции се извършват 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-ниското време за реакция).

Недостатъкът на статистическата модел е относително ниското качество на произношението, което не достига нивото на синтезаторите, генериращи реч на база комбинация от фрагменти от естествена реч, но въпреки това резултатът е напълно разбираем и наподобява транслация на запис от говорител. За сравнение, проектът Silero, предлагащ отворен двигател за синтез на реч, базиран на технологии за машинно обучение и набор от модели за руския език, надминава RHVoice по качество.

За руския език са налични 14 гласа, а за английския - 6. Гласовете се формират на базата на записи от естествена реч. В настройките можете да променяте скоростта, височината и силата на звука. За промяна на темпото може да се използва библиотеката Sonic. Може да се осъществи автоматично разпознаване и превключване на езика на базата на анализа на входния текст (например, при думи и цитати на друг език може да се използва родната за този език модел на синтез). Поддържат се гласови профили, които определят комбинации от гласове за различни езици.

Източник: opennet.ru