रशियन भाषेसाठी विकसित केलेल्या स्पीच सिंथेसायझर RHVoice 1.2.4 चे प्रकाशन

ओपन स्पीच सिंथेसिस सिस्टम RHVoice 1.2.4 चे प्रकाशन प्रकाशित केले गेले आहे, सुरुवातीला रशियन भाषेसाठी उच्च-गुणवत्तेचे समर्थन प्रदान करण्यासाठी विकसित केले गेले होते, परंतु नंतर इंग्रजी, पोर्तुगीज, युक्रेनियन, किर्गिझ, तातार आणि जॉर्जियन यासह इतर भाषांसाठी स्वीकारले गेले. कोड C++ मध्ये लिहिलेला आहे आणि LGPL 2.1 लायसन्स अंतर्गत वितरित केला आहे. GNU/Linux, Windows आणि Android वर कार्यास समर्थन देते. मजकूर ते भाषणात रूपांतरित करण्यासाठी हा प्रोग्राम मानक TTS (टेक्स्ट-टू-स्पीच) इंटरफेसशी सुसंगत आहे: SAPI5 (Windows), स्पीच डिस्पॅचर (GNU/Linux) आणि Android Text-to-Speech API, परंतु NVDA मध्ये देखील वापरला जाऊ शकतो. स्क्रीन रीडर.

प्रोग्राम सांख्यिकीय मॉडेलसह पॅरामेट्रिक संश्लेषण पद्धत वापरतो (एचएमएमवर आधारित सांख्यिकीय पॅरामेट्रिक संश्लेषण - लपलेले मार्कोव्ह मॉडेल). सांख्यिकीय मॉडेलचा फायदा कमी ओव्हरहेड खर्च आणि कमी मागणी नसलेली CPU शक्ती आहे. सर्व ऑपरेशन्स वापरकर्त्याच्या सिस्टमवर स्थानिक पातळीवर केल्या जातात. भाषण गुणवत्तेचे तीन स्तर समर्थित आहेत (गुणवत्ता जितकी कमी, तितकी जास्त कामगिरी आणि प्रतिक्रिया वेळ कमी).

सेटिंग आणि आवाज बदलण्याचे समर्थन करते. रशियन भाषेसाठी 9 आणि इंग्रजीसाठी 5 आवाज पर्याय उपलब्ध आहेत. नैसर्गिक भाषणाच्या रेकॉर्डिंगवर आधारित आवाज तयार केले जातात. सांख्यिकीय मॉडेलच्या वापरामुळे, उच्चारांची गुणवत्ता सिंथेसायझर्सच्या पातळीपर्यंत पोहोचत नाही जे नैसर्गिक भाषणाच्या तुकड्यांच्या संयोजनावर आधारित भाषण तयार करतात, परंतु तरीही त्याचा परिणाम अगदी समजण्यासारखा आहे आणि लाऊडस्पीकरवरून रेकॉर्डिंगच्या प्रसारणासारखा दिसतो. .

सेटिंग्जमध्ये तुम्ही वेग, पिच आणि व्हॉल्यूम बदलू शकता. टेम्पो बदलण्यासाठी सोनिक लायब्ररीचा वापर केला जाऊ शकतो. इनपुट मजकूराच्या विश्लेषणावर आधारित भाषा स्वयंचलितपणे शोधणे आणि स्विच करणे शक्य आहे (उदाहरणार्थ, दुसर्‍या भाषेतील शब्द आणि अवतरणांसाठी, त्या भाषेचे मूळ संश्लेषण मॉडेल वापरले जाऊ शकते). व्हॉइस प्रोफाइल समर्थित आहेत, भिन्न भाषांसाठी आवाजांचे संयोजन परिभाषित करतात.

स्त्रोत: opennet.ru