Den åbne tale-syntese system RHVoice 1.8.0 er blevet lanceret. Dette system blev oprindeligt udviklet for at sikre kvalitetsunderstøttelse af det russiske sprog, men er derefter blevet tilpasset til andre sprog, herunder engelsk, portugisisk, ukrainsk, kirmanjki, tatarisk og georgisk. Koden er skrevet i C++ og distribueres under LGPL 2.1. Det understøtter drift på GNU/Linux, Windows og Android. Programmet er kompatibelt med standard TTS-grænseflader (text-to-speech) til tekst-til-tale konvertering: SAPI5 (Windows), Speech Dispatcher (GNU/Linux) og Android Text-To-Speech API, men kan også bruges i skærmlæseren NVDA. Skaber og hovedudvikler af RHVoice er Olga Yakovleva, som fortsætter med at udvikle projektet trods fuld blindhed.
I version 1.8 for Android-platformen er der foreslået et nyt system til styring af stemme- og sprogdata, der muliggør opdatering af stemmedata uden at opdatere den mobile applikation. Opdateringskontrol for tilføjede stemmer og sprog foretages automatisk. Desuden er der i denne nye udgave tilføjet støtte til polsk og en ny stemme til makedonsk. Der er sikret kompatibilitet med de nyeste alfa- og beta-udgivelser af skærmlæseren NVDA. Problemer med bygning på Linux-platformen, der opstod ved fravær af Speech Dispatcher, er blevet løst.
Det skal bemærkes, at RHVoice anvender resultaterne fra HTS-projektet (HMM/DNN-baseret stemmesyntesesystem) samt en parameterbaseret syntesemetode med statistiske modeller (Statistical Parametric Synthesis baseret på HMM — Hidden Markov Model). Fordelen ved den statistiske model er lave overheadomkostninger og et lavt CPU-krav. Alle operationer udføres lokalt på brugerens system. Der understøttes tre kvalitetsniveauer for tale (jo lavere kvalitet, jo højere ydeevne og kortere responstid).
Ulempen ved den statistiske model er den relativt lave kvalitet i udtalelsen, som ikke når niveauet af syntetisere, der genererer tale baseret på kombinationen af fragmenter af naturlig tale, men resultatet er stadig ganske forståeligt og minder om udsendelsen af en optagelse fra en højttaler. Til sammenligning overgår Silero-projektet, som tilbyder en åben motor for tale syntese baseret på maskinlæringsteknologier og et sæt modeller til det russiske sprog, kvaliteten af RHVoice.
Der er 14 stemmevarianter til det russiske sprog og 6 til engelsk. Stemmerne dannes på baggrund af optagelser af naturlig tale. I indstillingerne kan man ændre hastighed, tonehøjde og lydstyrke. Biblioteket Sonic kan anvendes til at ændre tempoet. Automatisk identifikation og skift af sprog baseret på analyse af den indgående tekst er muligt (f.eks. kan indfødte modeller til brug for sætninger og citater på et andet sprog anvendes). Stemmeprofiler understøttes, hvilket definerer kombinationer af stemmer for forskellige sprog.
Kilde: opennet.ru
