{"id":103848,"date":"2022-04-22T15:36:52","date_gmt":"2022-04-22T13:36:52","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/novyj-vypusk-sistemy-sinteza-rechi-silero"},"modified":"2022-04-22T15:36:52","modified_gmt":"2022-04-22T13:36:52","slug":"novyj-vypusk-sistemy-sinteza-rechi-silero","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Ny udgivelse af Silero tale syntese systemet","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Der nye offentlige version af Silero Text-to-Speech neuro-netv\u00e6rkssystemet er tilg\u00e6ngelig. Projektet har som hovedm\u00e5l at skabe et moderne, h\u00f8jkvalitets talesynthesesystem, der kan konkurrere med kommercielle l\u00f8sninger fra virksomheder og er tilg\u00e6ngeligt for alle uden brug af dyr serverhardware. <\/p>\n
Modellerne distribueres under GNU AGPL-licensen, men udviklingsselskabet afsl\u00f8rer ikke tr\u00e6ningsmetoderne for modellerne. Du kan bruge PyTorch og rammer, der underst\u00f8tter ONNX-formatet til opstart. Talesyntesen i Silero er baseret p\u00e5 dybt modificerede moderne algoritmer og metoder til digital signalbehandling. <\/p>\n
Det bem\u00e6rkes, at den prim\u00e6re udfordring med moderne neuro-netv\u00e6rk l\u00f8sninger til talesyntese er, at de ofte kun er tilg\u00e6ngelige via betalte cloud-l\u00f8sninger, mens offentlige produkter har h\u00f8je hardwarekrav, lavere kvalitet eller ikke er fuldst\u00e6ndige og klar til brug. For eksempel kr\u00e6ver problemfri k\u00f8rsel af en af de nye popul\u00e6re end-to-end synthesearkitekturer, VITS, til syntese (det vil sige ikke til tr\u00e6ning af modeller) grafikkort med mere end 16 gigabyte VRAM. <\/p>\n
P\u00e5 trods af den nuv\u00e6rende trend kan Silero-l\u00f8sninger k\u00f8re selv p\u00e5 \u00e9n kerne af en x86 Intel-processor med AVX2-instruktioner. P\u00e5 fire kerner muligg\u00f8r syntesen syntese p\u00e5 mellem 30 og 60 sekunder pr. sekund ved 8 kHz, 15-20 sekunder ved 24 kHz, og cirka 10 sekunder ved 48 kHz. <\/p>\n
Nye funktioner i Silero-udgivelsen: <\/p>\n
\n
Modellens st\u00f8rrelse er reduceret med 50% til 50 megabyte.\n
Modellerne kan lave pauser.\n
Der er 4 h\u00f8jtkvalitets stemmer til r\u00e5dighed p\u00e5 russisk (og et uendeligt antal tilf\u00e6ldige). Eksempler p\u00e5 udtale.\n
Modellerne er blevet 10 gange hurtigere, og for eksempel i 24 kHz-tilstand tillader de syntese af op til 20 sekunders lyd per sekund p\u00e5 4 tr\u00e5de.\n
Alle stemmevarianter for \u00e9t sprog er pakket i \u00e9n model.\n
Modellerne kan tage hele tekstafsnit som input, og SSML-tags underst\u00f8ttes.\n
Syntesen arbejder straks p\u00e5 tre valgbare samplefrequencer - 8, 24 og 48 kHz;\n
Vi har l\u00f8st 'barnesygdommene': ustabilitet og ordspring;\n
Tilf\u00f8jet flag til kontrol af automatisk placering af accenter og for placering af bogstavet '\u0451'. <\/ul>\n
I \u00f8jeblikket er der offentligt tilg\u00e6ngelige 4 stemmer p\u00e5 russisk til den nyeste version af syntesen, men i den n\u00e6rmeste fremtid vil den n\u00e6ste version med f\u00f8lgende \u00e6ndringer blive offentliggjort: <\/p>\n
\n
Synteshastigheden vil stige med yderligere 2-4 gange;\n
Syntesemodellerne for CIS-sprog vil blive opdateret: Kalmukisk, Tatarisk, Usbekisk og Ukrainisk;\n
Modeller til europ\u00e6iske sprog vil blive tilf\u00f8jet;\n
Modeller til indiske sprog vil blive tilf\u00f8jet;\n
Modeller til engelsk vil blive tilf\u00f8jet. <\/ul>\n
Nogle af de systemiske problemer, der er forbundet med Silero-syntesen: <\/p>\n
\n
I mods\u00e6tning til mere traditionelle l\u00f8sninger til syntese, s\u00e5som RHVoice, har Silero-syntesen ikke integration med SAPI, nemme installationsklienter og integrationer til Windows og Android;\n
Hastigheden, selvom den er uden fortilf\u00e6lde h\u00f8j for en s\u00e5dan l\u00f8sning, kan v\u00e6re utilstr\u00e6kkelig til online syntese p\u00e5 svage processorer i h\u00f8j kvalitet;\n
L\u00f8sningen til automatisk trykplacering h\u00e5ndterer ikke homografer (ord som zAmok og zamOk) og laver stadig fejl, men dette problem vil blive l\u00f8st i fremtidige udgivelser;\n
Den nuv\u00e6rende version af syntesen virker ikke p\u00e5 processorer uden AVX2-instruktioner (eller kr\u00e6ver, at PyTorch-indstillingerne \u00e6ndres), da en af modulerne inde i modellen er kvantiseret;\n
Den nuv\u00e6rende version af syntesen har i bund og grund kun \u00e9n afh\u00e6ngighed, PyTorch, og al indhold er 'indbygget' i modellen og JIT-pakkerne. Kildeteksten til modellerne offentligg\u00f8res ikke, ligesom koden til at k\u00f8re modellerne fra klienter i PyTorch til andre sprog heller ikke offentligg\u00f8res.\n
Libtorch, der er tilg\u00e6ngeligt for mobile platforme, er meget mere omst\u00e6ndeligt end ONNX-runtime, men ONNX-versionen af modellen gives ikke endnu. <\/ul>\n