Der åbne stemmesyntese-system RHVoice 1.6.0 er blevet udgivet, som oprindeligt blev udviklet til at sikre kvalitetsstøtte til det russiske sprog, men senere tilpasset til andre sprog, herunder engelsk, portugisisk, ukrainsk, kirmanjki, tatarisk og georgisk. Koden er skrevet i C++ og distribueres under LGPL 2.1-licensen. Den fungerer på GNU/Linux, Windows og Android. Programmet er kompatibelt med standard TTS-grænseflader (text-to-speech) til at konvertere tekst til tale: SAPI5 (Windows), Speech Dispatcher (GNU/Linux) og Android Text-To-Speech API, men kan også bruges i skærmlæseren NVDA. Skaberen og hovedudvikleren af RHVoice er Olga Yakovleva, som fortsætter med at udvikle projektet trods fuld blindhed.
Den nye version inkluderer 5 nye stemmevarianter til russisk tale. Støtte til albansk sprog er blevet implementeret. Ordbogen til det ukrainske sprog er opdateret. Støtten til udtale af emoji-symboler er blevet udvidet. Der er arbejdet med at rette fejl i Android-applikationen, importen af brugerordbøger er blevet forenklet, og der er tilføjet support til Android 11. Nye indstillinger og funktioner, herunder g2p.case, word_break og støtte til equalizer-filtre, er blevet tilføjet til kerne-motoren.
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 tilgængelige fra det russiske sprog 13 stemmevarianter, og for engelsk er der 5. Stemmerne dannes på baggrund af optagelser af naturlig tale. I indstillingerne kan man ændre hastigheden, tonen og volumen. Til ændring af tempo kan biblioteket Sonic anvendes. Automatisk identifikation og skift af sprog baseret på analyse af den indgående tekst er muligt (for eksempel kan modersmålsmodellen for dette sprog anvendes til ord og citater på et andet sprog). Der støttes stemmeprofiler, der bestemmer kombinationer af stemmer til forskellige sprog.
Kilde: opennet.ru
