{"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\/de\/blog\/novosti-interneta\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Neue Version des Sprachsynthesesystems Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Eine neue \u00f6ffentliche Version des neuronalen Sprachsynthesesystems Silero Text-to-Speech ist verf\u00fcgbar. Das Projekt zielt in erster Linie darauf ab, ein modernes, hochwertiges Sprachsynthesesystem zu schaffen, das kommerziellen L\u00f6sungen von gro\u00dfen Unternehmen in nichts nachsteht und f\u00fcr alle Interessierten ohne den Einsatz teurer Server-Hardware zug\u00e4nglich ist. <\/p>\n
Die Modelle werden unter der GNU AGPL-Lizenz verbreitet, jedoch gibt das Unternehmen, das das Projekt entwickelt, keine Informationen \u00fcber die Mechanismen zur Modelltraining preis. Sie k\u00f6nnen PyTorch und Frameworks verwenden, die das ONNX-Format unterst\u00fctzen. Die Sprachsynthese in Silero basiert auf tief modifizierten, modernen neuronalen Algorithmen und Methoden der digitalen Signalverarbeitung. <\/p>\n
Es wird festgestellt, dass ein zentrales Problem moderner neuronaler Netzwerk-L\u00f6sungen zur Sprachsynthese darin besteht, dass sie oft nur im Rahmen kostenpflichtiger Cloud-L\u00f6sungen verf\u00fcgbar sind. \u00d6ffentliche Produkte haben hohe Hardwareanforderungen, geringere Qualit\u00e4t oder sind keine abgeschlossenen und einsatzbereiten Produkte. Zum Beispiel ben\u00f6tigen beliebte neue End-to-End-Synthesearchitekturen wie VITS f\u00fcr eine problemlose Ausf\u00fchrung im Synthesemodus (nicht zum Trainieren von Modellen) Grafikkarten mit mehr als 16 Gigabyte VRAM. <\/p>\n
Entgegen dem aktuellen Trend laufen die Silero-L\u00f6sungen erfolgreich sogar auf einem einzigen x86-Prozessor-Thread von Intel mit AVX2-Instruktionen. Bei 4 Threads erm\u00f6glicht die Synthese, zwischen 30 und 60 Sekunden pro Sekunde im 8 kHz-Modus zu synthetisieren, im 24 kHz-Modus 15-20 Sekunden und im 48 kHz-Modus etwa 10 Sekunden. <\/p>\n
Die Hauptmerkmale der neuen Version von Silero: <\/p>\n
\n
Die Modellgr\u00f6\u00dfe wurde auf 50 Megabyte halbiert;\n
Die Modelle k\u00f6nnen Pausen machen;\n
Es sind 4 hochwertige Stimmen in russischer Sprache verf\u00fcgbar (und eine unbegrenzte Anzahl an zuf\u00e4lligen). Beispielaussprachen;\n
Die Modelle sind zehnmal schneller geworden und k\u00f6nnen beispielsweise im 24 kHz-Modus bis zu 20 Sekunden Audio pro Sekunde auf 4 Prozessorkernen synthetisieren.\n
Alle Stimmvarianten f\u00fcr eine Sprache sind in einem Modell geb\u00fcndelt.\n
Die Modelle k\u00f6nnen ganze Abs\u00e4tze von Text als Eingabe akzeptieren und unterst\u00fctzen SSML-Tags.\n
Die Synthese funktioniert sofort in drei w\u00e4hlbaren Abtastraten \u2013 8, 24 und 48 kHz;\n
Die \"Kinderkrankheiten\" wurden behoben: Instabilit\u00e4t und das Auslassen von W\u00f6rtern;\n
Es wurden Flags hinzugef\u00fcgt, um die automatische Betonung und das Setzen des Buchstabens \u201e\u0451\u201c zu steuern. <\/ul>\n
Aktuell sind f\u00fcr die neueste Version der Synthese \u00f6ffentlich 4 Stimmen auf Russisch verf\u00fcgbar, aber in naher Zukunft wird die n\u00e4chste Version mit folgenden \u00c4nderungen ver\u00f6ffentlicht: <\/p>\n
\n
Die Synthesegeschwindigkeit wird um das 2- bis 4-fache steigen.\n
Die Synthesemodelle f\u00fcr die Sprachen der GUS werden aktualisiert: Kalmykisch, Tatarisch, Usbekisch und Ukrainisch.\n
Modelle f\u00fcr europ\u00e4ische Sprachen werden hinzugef\u00fcgt.\n
Modelle f\u00fcr indische Sprachen werden hinzugef\u00fcgt.\n
Modelle f\u00fcr die englische Sprache werden hinzugef\u00fcgt. <\/ul>\n
Einige der systemischen Probleme, die der Silero-Synthese eigen sind: <\/p>\n
\n
Im Gegensatz zu traditionelleren Synthesel\u00f6sungen wie RHVoice bietet Silero keine SAPI-Integration, einfach zu installierende Clients oder Integrationen f\u00fcr Windows und Android.\n
Die Geschwindigkeit, obwohl sie f\u00fcr eine solche L\u00f6sung zuvor noch nie erreicht wurde, k\u00f6nnte f\u00fcr die Echtzeitsynthese auf schwachen Prozessoren in hoher Qualit\u00e4t nicht ausreichen.\n
Die L\u00f6sung zur automatischen Betonungserkennung verarbeitet Homographen (Worte wie zAmok und zamOk) nicht korrekt und macht weiterhin Fehler, aber diese Schw\u00e4che wird in zuk\u00fcnftigen Versionen behoben.\n
Die aktuelle Syntheseversion funktioniert nicht auf Prozessoren ohne AVX2-Anweisungen (es sei denn, die PyTorch-Einstellungen werden speziell ge\u00e4ndert), da eines der Module innerhalb des Modells quantisiert ist.\n
Die aktuelle Version der Synthese hat im Wesentlichen nur eine Abh\u00e4ngigkeit: PyTorch. Alle Komponenten sind \u201ein die Modelle und JIT-Pakete integriert\u201c. Die Quellcodes der Modelle werden nicht ver\u00f6ffentlicht, ebenso wenig wie der Code zum Ausf\u00fchren der Modelle aus PyTorch-Clients f\u00fcr andere Sprachen;\n
Libtorch, das f\u00fcr mobile Plattformen verf\u00fcgbar ist, ist viel schwerer als die ONNX-Laufzeit, aber die ONNX-Version des Modells wird derzeit nicht bereitgestellt. <\/ul>\n