RHVoice 1.8.0 স্পিচ সিন্থেসাইজার রিলিজ

উন্মুক্ত বক্তৃতা সংশ্লেষণ সিস্টেম RHVoice 1.8.0 প্রকাশ করা হয়েছিল, প্রাথমিকভাবে রাশিয়ান ভাষার জন্য উচ্চ-মানের সমর্থন প্রদানের জন্য তৈরি করা হয়েছিল, কিন্তু পরে ইংরেজি, পর্তুগিজ, ইউক্রেনীয়, কিরগিজ, তাতার এবং জর্জিয়ান সহ অন্যান্য ভাষার জন্য অভিযোজিত হয়েছিল। কোডটি C++ এ লেখা এবং LGPL 2.1 লাইসেন্সের অধীনে বিতরণ করা হয়েছে। GNU/Linux, Windows এবং Android-এ কাজ সমর্থন করে। প্রোগ্রামটি টেক্সট থেকে স্পিচ কনভার্ট করার জন্য স্ট্যান্ডার্ড TTS (টেক্সট-টু-স্পিচ) ইন্টারফেসের সাথে সামঞ্জস্যপূর্ণ: SAPI5 (উইন্ডোজ), স্পিচ ডিসপ্যাচার (GNU/Linux) এবং Android Text-to-Speech API, কিন্তু NVDA-তেও ব্যবহার করা যেতে পারে। স্ক্রিন রিডার. আরএইচভয়েসের স্রষ্টা এবং প্রধান বিকাশকারী হলেন ওলগা ইয়াকোলেভা, যিনি সম্পূর্ণ অন্ধ হওয়া সত্ত্বেও প্রকল্পটি বিকাশ করেছেন।

অ্যান্ড্রয়েড প্ল্যাটফর্মের জন্য সংস্করণ 1.8 একটি নতুন ভয়েস এবং ভাষা ডেটা ম্যানেজমেন্ট সিস্টেম প্রবর্তন করেছে যা আপনাকে মোবাইল অ্যাপ্লিকেশন আপডেট না করেই ভয়েস ডেটা আপডেট ডাউনলোড করতে দেয়৷ যোগ করা ভয়েস এবং ভাষার জন্য ডেটা আপডেট স্বয়ংক্রিয়ভাবে চেক করা হয়। উপরন্তু, নতুন রিলিজ পোলিশ ভাষার জন্য সমর্থন প্রবর্তন করে এবং ম্যাসেডোনিয়ান ভাষার জন্য একটি নতুন ভয়েস যোগ করে। NVDA স্ক্রিন রিডারের সর্বশেষ আলফা এবং বিটা রিলিজের সাথে সামঞ্জস্যতা নিশ্চিত করা হয়েছে। লিনাক্স প্ল্যাটফর্মে বিল্ডিংয়ের সমস্যা সমাধান করা হয়েছে যা স্পিচ ডিসপ্যাচার উপস্থিত না থাকার সময় ঘটেছিল।

আসুন আমরা স্মরণ করি যে RHVoice HTS প্রকল্পের উন্নয়ন (HMM/DNN-ভিত্তিক স্পিচ সিন্থেসিস সিস্টেম) এবং পরিসংখ্যানগত মডেলগুলির সাথে প্যারামেট্রিক সংশ্লেষণ পদ্ধতি ব্যবহার করে (HMM - লুকানো মার্কভ মডেলের উপর ভিত্তি করে পরিসংখ্যানগত প্যারামেট্রিক সংশ্লেষণ)। পরিসংখ্যান মডেলের সুবিধা হল কম ওভারহেড খরচ এবং অপ্রত্যাশিত CPU শক্তি। সমস্ত অপারেশন স্থানীয়ভাবে ব্যবহারকারীর সিস্টেমে সঞ্চালিত হয়। বক্তৃতা গুণমানের তিনটি স্তর সমর্থিত (মান যত কম, কর্মক্ষমতা তত বেশি এবং প্রতিক্রিয়ার সময় কম)।

পরিসংখ্যানগত মডেলের নেতিবাচক দিক হল উচ্চারণের তুলনামূলকভাবে নিম্ন মানের, যা প্রাকৃতিক বক্তৃতার অংশগুলির সংমিশ্রণের উপর ভিত্তি করে বক্তৃতা তৈরি করে এমন সিন্থেসাইজারের স্তরে পৌঁছায় না, তবে তা সত্ত্বেও ফলাফলটি বেশ সুস্পষ্ট এবং লাউডস্পীকার থেকে রেকর্ডিং সম্প্রচারের মতো। . তুলনার জন্য, Silero প্রকল্প, যা মেশিন লার্নিং প্রযুক্তির উপর ভিত্তি করে একটি উন্মুক্ত বক্তৃতা সংশ্লেষণ ইঞ্জিন এবং রাশিয়ান ভাষার জন্য মডেলের একটি সেট প্রদান করে, RHVoice থেকে গুণমানের দিক থেকে উচ্চতর।

রাশিয়ান ভাষার জন্য 14টি ভয়েস বিকল্প রয়েছে, এবং ইংরেজির জন্য 6টি। ভয়েসগুলি প্রাকৃতিক বক্তৃতার রেকর্ডিংয়ের উপর ভিত্তি করে গঠিত হয়। সেটিংসে আপনি গতি, পিচ এবং ভলিউম পরিবর্তন করতে পারেন। টেম্পো পরিবর্তন করতে সোনিক লাইব্রেরি ব্যবহার করা যেতে পারে। ইনপুট পাঠ্যের বিশ্লেষণের উপর ভিত্তি করে ভাষাগুলি স্বয়ংক্রিয়ভাবে সনাক্ত করা এবং পরিবর্তন করা সম্ভব (উদাহরণস্বরূপ, অন্য ভাষার শব্দ এবং উদ্ধৃতিগুলির জন্য, সেই ভাষার স্থানীয় একটি সংশ্লেষণ মডেল ব্যবহার করা যেতে পারে)। ভয়েস প্রোফাইল সমর্থিত, বিভিন্ন ভাষার জন্য ভয়েসের সমন্বয় সংজ্ঞায়িত করে।

উত্স: opennet.ru