Megjelent a RHVoice 1.6.0 nyílt forráskódú beszédszintetizáló rendszer, amelyet eredetileg a orosz nyelv támogatására fejlesztettek ki, de később más nyelvekre is, beleértve az angolt, portugált, ukránt, kirgizt, tatárt és grúzt is, adaptálták. A kód C++-ban íródott, és LGPL 2.1 licenc alatt terjesztik. Támogatott rendszerek: GNU/Linux, Windows és Android. A program kompatibilis a szabványos TTS interfészekkel (text-to-speech) a szöveg beszéddé alakításához: SAPI5 (Windows), Speech Dispatcher (GNU/Linux) és Android Text-To-Speech API, de használható az NVDA képernyőolvasóban is. A RHVoice alkotója és fő fejlesztője Olga Jakovljeva, aki teljes vaksága ellenére is folytatja a projekt fejlesztését.
Az új verzióban 5 új orosz beszédhang került hozzáadásra. Támogatás került az albán nyelvhez. Frissült az ukrán nyelv szótára. Bővült az emoji karakterek felolvasásának támogatása. Hibaelhárítás történt az Android platformra készült alkalmazásban, egyszerűsödött a felhasználói szótárak importálása, és hozzáadott támogatás az Android 11 platformhoz. Az engine magjába új beállítások és funkciók kerültek, beleértve a g2p.case, word_break és az ekvalizáló szűrők támogatását.
Emlékeztetünk arra, hogy a RHVoice az HTS (HMM/DNN-alapú beszédszintézis rendszer) projekt fejlesztéseit és a statisztikai modelleken alapuló paraméterezési módszert (Statisztikai Paraméterezett Szintézis HMM — Rejtett Markov Modell alapján) alkalmazza. A statisztikai modell előnyei közé tartozik az alacsony overhead és a CPU teljesítményigénye. Minden művelet helyben, a felhasználó rendszerén hajtódik végre. Három beszédminőségi szintet támogat, ami azt jelenti, hogy minél alacsonyabb a minőség, annál magasabb a teljesítmény és a válaszidő.
A statisztikai modell hátránya a viszonylag alacsony kiejtési minőség, amely nem éri el azokat a szintetizálókat, amelyek természetes beszédfragmensek kombinációjával generálják a beszédet, de ennek ellenére az eredmény teljesen érthető és emlékeztet a hangosbemondón történő felolvasásra. Összehasonlításul, a Silero projekt, amely nyílt forrású beszédszintézis motort kínál gépi tanulási technológiák alapján, és modellek gyűjteményét a orosz nyelvhez, minőségében felülmúlja a RHVoice-t.
Az orosz nyelvhez 13 hangváltozat, az angolhoz pedig 5 áll rendelkezésre. A hangok természetes beszédfelvételekből készülnek. A beállításokban megváltoztatható a sebesség, a hangmagasság és a hangerő. A tempó megváltoztatására Sonic könyvtár használható. Lehetséges a nyelv automatikus észlelése és váltása a bejövő szöveg elemzése alapján (például egy más nyelven írt szónak és idézetnek a nyelvéhez illeszkedő szintetizáló modell használható). Támogatottak a hangprofilok, amelyek különböző nyelvekhez rendelnek hangszíneket.
Forrás: opennet.ru
