{"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\/hr\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Novo izdanje sustava sint\u00e8se govora Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Dostupan je novi javni izdanak neuralne mre\u017ene sustave sinteze govora Silero Text-to-Speech. Projekt je prvenstveno usmjeren na izradu suvremenog visokokvalitetnog sustava sinteze govora, koji ne zaostaje za komercijalnim rje\u0161enjima korporacija i dostupan je svima bez kori\u0161tenja skupog serverskog hardvera. <\/p>\n
Modeli se distribuiraju pod GNU AGPL licencom, ali tvrtka koja razvija projekt ne otkriva mehanizme treniranja modela. Za pokretanje se mo\u017ee koristiti PyTorch i okviri koji podr\u017eavaju ONNX format. Sinteza govora u Silero temelji se na kori\u0161tenju duboko izmijenjenih suvremenih neuralnih mre\u017enih algoritama i metoda digitalne obrade signala. <\/p>\n
Isti\u010de se da je glavni problem suvremenih neuralnih mre\u017enih rje\u0161enja za sintezu govora to \u0161to su \u010desto dostupna samo unutar pla\u0107enih oblaka, dok javni proizvodi imaju visoke zahtjeve za opremu, ni\u017eu kvalitetu ili nisu cjeloviti i spremni za kori\u0161tenje. Na primjer, za bezproblemat\u010dno pokretanje jedne od novih popularnih arhitektura end-to-end sinteze, VITS, u na\u010dinu sinteze (tj. ne za treniranje modela) potrebne su grafi\u010dke kartice s vi\u0161e od 16 gigabajta VRAM-a. <\/p>\n
Unato\u010d trenutnom trendu, Silero rje\u0161enja uspje\u0161no se pokre\u0107u \u010dak i na 1 niti x86 procesora Intel s AVX2 instrukcijama. Na 4 niti procesora, sinteza omogu\u0107uje generiranje od 30 do 60 sekundi po sekundi u 8 kHz na\u010dinu sinteze, u 24 kHz na\u010dinu - 15-20 sekundi, a u 48 kHz na\u010dinu - oko 10 sekundi. <\/p>\n
Glavne zna\u010dajke novog izdanja Silero: <\/p>\n
\n
Veli\u010dina modela je smanjena za 2 puta na 50 megabajta;\n
Modeli mogu praviti pauze;\n
Dostupna su 4 visokokvalitetna glasa na ruskom jeziku (i beskrajno mnogo nasumi\u010dnih). Primjeri izgovora;\n
Modeli su postali 10 puta br\u017ei i, primjerice, u na\u010dinu 24 kHz omogu\u0107uju sintezu do 20 sekundi audio u sekundi na 4 niti procesora;\n
Sve varijante glasova za jedan jezik spakovane su u jedan model;\n
Modeli mogu primati cijele odlomke teksta na ulazu, podr\u017eani su SSML tagovi;\n
Sinteza radi odmah u tri odabrane frekvencije uzorkovanja - 8, 24 i 48 kilohertz;\n
Rije\u0161eni su 'dje\u010dji problemi': nestabilnost i propu\u0161tanje rije\u010di;\n
Dodane su oznake za kontrolu automatskog postavljanja naglasaka i postavljanja slova '\u0451'. <\/ul>\n
Trenutno su za najnoviju verziju sinteze javno dostupna 4 glasa na ruskom jeziku, ali u bliskoj budu\u0107nosti \u0107e biti objavljena nova verzija s sljede\u0107im promjenama: <\/p>\n
\n
Brzina sinteze pove\u0107at \u0107e se jo\u0161 2-4 puta;\n
Bit \u0107e a\u017eurirani modeli sinteze za jezike zemalja ZND-a: Kalmyk, Tatar, Uzbek i Ukrajinski;\n
Bit \u0107e dodani modeli za europske jezike;\n
Bit \u0107e dodani modeli za indijske jezike;\n
Bit \u0107e dodani modeli za engleski jezik. <\/ul>\n
Neki od sistemskih problema povezanih sa sintezom Silero: <\/p>\n
\n
Za razliku od tradicionalnijih rje\u0161enja za sintezu kao \u0161to je RHVoice, sinteza Silero nema integraciju s SAPI-em, jednostavne klijente za instalaciju i integracije za Windows i Android;\n
Iako je brzina bez presedana za takvo rje\u0161enje, mo\u017eda ne\u0107e biti dovoljna za sintezu u realnom vremenu na slabijim procesorima u visokoj kvaliteti;\n
Rje\u0161enje za automatsko nagla\u0161avanje ne obra\u0111uje homograme (rije\u010di poput zAmok i zamOk) i jo\u0161 uvijek grije\u0161i, ali ovaj nedostatak bit \u0107e ispravljen u budu\u0107im izdanjima;\n
Trenutna verzija sinteze ne radi na procesorima bez AVX2 instrukcija (ili je potrebno posebno mijenjati postavke PyTorcha), jer je jedan od modula unutar modela kvantizovan;\n
Trenutna verzija sinteze u su\u0161tini ima jedinu ovisnost o PyTorch-u, sva logika je 'uklju\u010dena' unutar modela i JIT paketa. Izvori modela nisu objavljeni, kao ni kod za pokretanje modela iz klijenata PyTorch za druge jezike;\n
Libtorch, dostupan za mobilne platforme, mnogo je te\u017ei od ONNX runtime-a, ali ONNX verzija modela jo\u0161 uvijek nije dostupna. <\/ul>\n