Megjelent a RHVoice 1.8.0 nyílt beszédszintetizáló rendszer, amely eredetileg az orosz nyelv támogatására készült, de később más nyelvekre is átdolgozták, beleértve az angolt, portugált, ukránt, kirgizt, tatárt és grúzt. A kód C++ nyelven íródott és LGPL 2.1 licenc alatt terjesztik. Támogatja a GNU/Linux, Windows és Android rendszereket. A program kompatibilis a szokásos TTS interfészekkel (text-to-speech) a szöveg beszéddé alakítására: SAPI5 (Windows), Speech Dispatcher (GNU/Linux) és Android Text-To-Speech API, de használható a NVDA képernyőolvasóval is. A RHVoice megalkotója és fő fejlesztője, Olga Jakovleva, aki teljes vaksága ellenére fejleszti a projektet.
Az 1.8-as verzióban az Android platformra új hang- és nyelvi adatkezelő rendszert kínálnak, amely lehetővé teszi a hangadatok frissítését anélkül, hogy a mobilalkalmazást frissíteni kellene. Az új hangok és nyelvek adatainak megjelenésének ellenőrzése automatikusan történik. Emellett az új kiadás támogatja a lengyel nyelvet, és új hangot adtak a macedón nyelvhez. Biztosítva van a friss alfa- és bétaverziók kompatibilitása a NVDA képernyőolvasóval. Megoldották a Linux platformon fellépő építési problémákat, amelyek a Speech Dispatcher hiánya miatt merültek fel.
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.
A magyar nyelvhez 14 hangvariáns áll rendelkezésre, az angolhoz pedig 6. A hangok természetes beszédfelvételek alapján készülnek. A beállításokban módosítható a sebesség, a magasság és a hangerő. A tempó megváltoztatásához a Sonic könyvtár használható. Lehetséges a nyelv automatikus meghatározása és váltása a bemeneti szöveg elemzése alapján (például más nyelvű szavak és idézetek esetén a megfelelő nyelvi szintézis modell alkalmazása). Támogatottak a hangprofilok, amelyek különböző nyelvekhez hangok kombinációit határozzák meg.
Forrás: opennet.ru
