RHVoice 1.6.0 સ્પીચ સિન્થેસાઇઝર રિલીઝ

ઓપન સ્પીચ સિન્થેસિસ સિસ્ટમ RHVoice 1.6.0 રિલીઝ કરવામાં આવી હતી, શરૂઆતમાં રશિયન ભાષા માટે ઉચ્ચ-ગુણવત્તાની સહાય પૂરી પાડવા માટે વિકસાવવામાં આવી હતી, પરંતુ પછી અંગ્રેજી, પોર્ટુગીઝ, યુક્રેનિયન, કિર્ગીઝ, તતાર અને જ્યોર્જિયન સહિત અન્ય ભાષાઓ માટે સ્વીકારવામાં આવી હતી. કોડ C++ માં લખાયેલ છે અને LGPL 2.1 લાયસન્સ હેઠળ વિતરિત કરવામાં આવ્યો છે. GNU/Linux, Windows અને Android પર કામને સપોર્ટ કરે છે. પ્રોગ્રામ ટેક્સ્ટને સ્પીચમાં કન્વર્ટ કરવા માટે પ્રમાણભૂત TTS (ટેક્સ્ટ-ટુ-સ્પીચ) ઇન્ટરફેસ સાથે સુસંગત છે: SAPI5 (Windows), સ્પીચ ડિસ્પેચર (GNU/Linux) અને Android Text-to-Speech API, પરંતુ NVDA માં પણ તેનો ઉપયોગ કરી શકાય છે. સ્ક્રીન રીડર. RHVoice ના નિર્માતા અને મુખ્ય વિકાસકર્તા ઓલ્ગા યાકોવલેવા છે, જે સંપૂર્ણપણે અંધ હોવા છતાં પ્રોજેક્ટ વિકસાવે છે.

નવું સંસ્કરણ રશિયન ભાષણ માટે 5 નવા વૉઇસ વિકલ્પો ઉમેરે છે. અલ્બેનિયન ભાષા સપોર્ટ લાગુ કરવામાં આવ્યો છે. યુક્રેનિયન ભાષા માટેનો શબ્દકોશ અપડેટ કરવામાં આવ્યો છે. ઇમોજી પાત્રોના અવાજ અભિનય માટે સપોર્ટ વિસ્તારવામાં આવ્યો છે. એન્ડ્રોઇડ પ્લેટફોર્મ માટેની એપ્લિકેશનમાં ભૂલોને દૂર કરવા માટે કાર્ય કરવામાં આવ્યું છે, કસ્ટમ શબ્દકોશની આયાતને સરળ બનાવવામાં આવી છે, અને એન્ડ્રોઇડ 11 પ્લેટફોર્મ માટે સપોર્ટ ઉમેરવામાં આવ્યો છે. જી2પી સહિત એન્જિન કોરમાં નવી સેટિંગ્સ અને કાર્યક્ષમતા ઉમેરવામાં આવી છે. કેસ, વર્ડ_બ્રેક અને સમાનતા ફિલ્ટર્સ માટે સપોર્ટ.

ચાલો યાદ કરીએ કે RHVoice HTS પ્રોજેક્ટ (HMM/DNN-આધારિત સ્પીચ સિન્થેસિસ સિસ્ટમ) અને આંકડાકીય મોડેલો (HMM પર આધારિત આંકડાકીય પેરામેટ્રિક સિન્થેસિસ - હિડન માર્કોવ મોડલ) સાથે પેરામેટ્રિક સિન્થેસિસ પદ્ધતિનો ઉપયોગ કરે છે. આંકડાકીય મોડલનો ફાયદો ઓછો ઓવરહેડ ખર્ચ અને બિનજરૂરી CPU પાવર છે. તમામ કામગીરી વપરાશકર્તાની સિસ્ટમ પર સ્થાનિક રીતે કરવામાં આવે છે. વાણીની ગુણવત્તાના ત્રણ સ્તરો સમર્થિત છે (ગુણવત્તા જેટલી ઓછી, કાર્યક્ષમતા વધુ અને પ્રતિક્રિયાનો સમય ઓછો).

આંકડાકીય મૉડલનું નુકસાન એ ઉચ્ચારની પ્રમાણમાં નીચી ગુણવત્તા છે, જે કુદરતી ભાષણના ટુકડાઓના મિશ્રણને આધારે ભાષણ પેદા કરતા સિન્થેસાઇઝરના સ્તર સુધી પહોંચતું નથી, પરંતુ તેમ છતાં પરિણામ તદ્દન સુવાચ્ય છે અને લાઉડસ્પીકરથી રેકોર્ડિંગના પ્રસારણ જેવું લાગે છે. . સરખામણી માટે, સિલેરો પ્રોજેક્ટ, જે મશીન લર્નિંગ ટેક્નોલોજી પર આધારિત ઓપન સ્પીચ સિન્થેસિસ એન્જિન અને રશિયન ભાષા માટે મોડલનો સેટ પૂરો પાડે છે, તે RHVoice કરતાં ગુણવત્તામાં શ્રેષ્ઠ છે.

રશિયન ભાષા માટે 13 અને અંગ્રેજી માટે 5 અવાજ વિકલ્પો ઉપલબ્ધ છે. અવાજો કુદરતી ભાષણના રેકોર્ડિંગના આધારે રચાય છે. સેટિંગ્સમાં તમે ઝડપ, પિચ અને વોલ્યુમ બદલી શકો છો. ટેમ્પોને બદલવા માટે સોનિક લાઇબ્રેરીનો ઉપયોગ કરી શકાય છે. ઇનપુટ ટેક્સ્ટના વિશ્લેષણના આધારે ભાષાઓને આપમેળે શોધી અને સ્વિચ કરવી શક્ય છે (ઉદાહરણ તરીકે, અન્ય ભાષામાં શબ્દો અને અવતરણો માટે, તે ભાષાના મૂળ સંશ્લેષણ મોડેલનો ઉપયોગ કરી શકાય છે). વૉઇસ પ્રોફાઇલ્સ સપોર્ટેડ છે, વિવિધ ભાષાઓ માટે વૉઇસના સંયોજનોને વ્યાખ્યાયિત કરે છે.

સોર્સ: opennet.ru