{"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\/es\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Nueva versi\u00f3n del sistema de s\u00edntesis de voz Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Est\u00e1 disponible una nueva versi\u00f3n p\u00fablica del sistema de s\u00edntesis de voz con inteligencia artificial Silero Text-to-Speech. El proyecto tiene como objetivo principal crear un sistema de s\u00edntesis de voz moderno y de alta calidad, que rivalice con las soluciones comerciales de corporaciones y est\u00e9 disponible para todos los interesados sin necesidad de costoso hardware de servidor. <\/p>\n
Los modelos se distribuyen bajo la licencia GNU AGPL, pero la empresa que desarrolla el proyecto no revela el mecanismo de entrenamiento de los modelos. Para su ejecuci\u00f3n, se puede utilizar PyTorch y marcos que soporten el formato ONNX. La s\u00edntesis de voz en Silero se basa en el uso de algoritmos de red neuronal modernos, profundamente modificados, y m\u00e9todos de procesamiento digital de se\u00f1ales. <\/p>\n
Se destaca que el principal problema de las soluciones actuales de redes neuronales para la s\u00edntesis de voz es que a menudo solo est\u00e1n disponibles en el marco de soluciones en la nube de pago, mientras que los productos p\u00fablicos tienen altos requerimientos de hardware, calidad inferior o no est\u00e1n terminados y listos para su uso. Por ejemplo, para ejecutar sin problemas una de las nuevas arquitecturas populares de s\u00edntesis end-to-end, VITS, en modo de s\u00edntesis (es decir, no para el entrenamiento de modelos), se requieren tarjetas gr\u00e1ficas con m\u00e1s de 16 gigabytes de VRAM. <\/p>\n
A pesar de la tendencia actual, las soluciones de Silero se inician exitosamente incluso en un hilo de un procesador Intel x86 con instrucciones AVX2. En un procesador de 4 hilos, la s\u00edntesis permite generar entre 30 y 60 segundos por segundo en modo de s\u00edntesis de 8 kHz, en modo de 24 kHz \u2014 15-20 seg., y en modo de 48 kHz \u2014 alrededor de 10 seg. <\/p>\n
Caracter\u00edsticas principales de la nueva versi\u00f3n de Silero: <\/p>\n
\n
El tama\u00f1o del modelo se ha reducido a la mitad, hasta 50 megabytes;\n
Los modelos pueden hacer pausas;\n
Se ofrecen 4 voces de alta calidad en ruso (y un n\u00famero infinito de aleatorias). Ejemplos de pronunciaci\u00f3n;\n
Los modelos se han vuelto 10 veces m\u00e1s r\u00e1pidos y, por ejemplo, en modo de 24 kHz permiten sintetizar hasta 20 segundos de audio por segundo en 4 hilos de procesador;\n
Todas las variantes de voces para un idioma est\u00e1n empaquetadas en un solo modelo;\n
Los modelos pueden aceptar p\u00e1rrafos completos de texto como entrada, se soportan etiquetas SSML;\n
La s\u00edntesis funciona en tres frecuencias de muestreo a elecci\u00f3n \u2014 8, 24 y 48 kilohertz;\n
Se han resuelto los 'problemas infantiles': inestabilidad y omisiones de palabras;\n
Se han a\u00f1adido banderas para el control de la colocaci\u00f3n autom\u00e1tica de acentos y la inclusi\u00f3n de la letra '\u0451'. <\/ul>\n
Actualmente, la versi\u00f3n m\u00e1s reciente de la s\u00edntesis tiene disponibles 4 voces en ruso, pero en un futuro cercano se publicar\u00e1 la siguiente versi\u00f3n con las siguientes mejoras: <\/p>\n
\n
La velocidad de la s\u00edntesis aumentar\u00e1 entre 2 y 4 veces m\u00e1s;\n
Se actualizar\u00e1n los modelos de s\u00edntesis para los idiomas de la CEI: kalmuko, t\u00e1rtaro, uzbeko y ucraniano;\n
Se agregar\u00e1n modelos para idiomas europeos;\n
Se agregar\u00e1n modelos para idiomas indios;\n
Se agregar\u00e1n modelos para el idioma ingl\u00e9s. <\/ul>\n
Algunos de los problemas inherentes al sistema de s\u00edntesis Silero son: <\/p>\n
\n
A diferencia de las soluciones de s\u00edntesis m\u00e1s tradicionales, como RHVoice, la s\u00edntesis Silero no tiene integraci\u00f3n con SAPI, ni clientes f\u00e1ciles de instalar o integraciones para Windows y Android;\n
La velocidad, aunque es inusitadamente alta para este tipo de soluci\u00f3n, puede ser insuficiente para la s\u00edntesis en tiempo real en procesadores d\u00e9biles con alta calidad;\n
La soluci\u00f3n para la colocaci\u00f3n autom\u00e1tica de acentos no maneja los hom\u00f3grafos (palabras como z\u00c1mok y zamOk) y a\u00fan comete errores, pero esta inconsistencia se corregir\u00e1 en futuras versiones;\n
La versi\u00f3n actual de la s\u00edntesis no funciona en procesadores sin instrucciones AVX2 (o es necesario modificar especialmente la configuraci\u00f3n de PyTorch), ya que uno de los m\u00f3dulos dentro del modelo est\u00e1 cuantizado;\n
La versi\u00f3n actual de la s\u00edntesis tiene como \u00fanica dependencia a PyTorch, toda la estructura est\u00e1 'incrustada' dentro del modelo y los paquetes JIT. Los c\u00f3digos fuente de los modelos no se publican, al igual que el c\u00f3digo para ejecutar los modelos desde clientes de PyTorch para otros lenguajes;\n
Libtorch, disponible para plataformas m\u00f3viles, es considerablemente m\u00e1s voluminosa que el runtime de ONNX, pero la versi\u00f3n ONNX del modelo a\u00fan no est\u00e1 disponible. <\/ul>\n