{"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\/pl\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Nowa wersja systemu syntezatora mowy Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Dost\u0119pna jest nowa publiczna wersja systemu syntezatora mowy Silero Text-to-Speech. Projekt koncentruje si\u0119 na stworzeniu nowoczesnego, wysokiej jako\u015bci systemu syntezatora mowy, kt\u00f3ry nie ust\u0119puje rozwi\u0105zaniom komercyjnym od korporacji i jest dost\u0119pny dla wszystkich zainteresowanych bez potrzeby korzystania z drogiego sprz\u0119tu serwerowego. <\/p>\n
Modele s\u0105 dystrybuowane na licencji GNU AGPL, ale firma rozwijaj\u0105ca projekt nie ujawnia mechanizmu szkolenia modeli. Do uruchomienia mo\u017cna wykorzysta\u0107 PyTorch oraz frameworki wspieraj\u0105ce format ONNX. Syntez\u0119 mowy w Silero oparto na g\u0142\u0119bokich, zmodyfikowanych nowoczesnych algorytmach sieci neuronowych oraz metodach cyfrowego przetwarzania sygna\u0142\u00f3w. <\/p>\n
Zauwa\u017cono, \u017ce g\u0142\u00f3wnym problemem wsp\u00f3\u0142czesnych rozwi\u0105za\u0144 sieci neuronowych do syntezowania mowy jest to, \u017ce s\u0105 zazwyczaj dost\u0119pne wy\u0142\u0105cznie w ramach p\u0142atnych rozwi\u0105za\u0144 chmurowych, a produkty publiczne maj\u0105 wysokie wymagania sprz\u0119towe, ni\u017csz\u0105 jako\u015b\u0107 lub nie s\u0105 kompletne i gotowe do u\u017cycia. Na przyk\u0142ad, aby bezproblemowo uruchomi\u0107 jedno z nowych popularnych architektur end-to-end syntezy, VITS, w trybie syntezy (to znaczy, nie do szkolenia modeli), wymagane s\u0105 karty graficzne z ponad 16 gigabajtami VRAM. <\/p>\n
Pomimo obowi\u0105zuj\u0105cych trend\u00f3w, rozwi\u0105zania Silero uruchamiaj\u0105 si\u0119 pomy\u015blnie nawet na jednym w\u0105tku procesora Intel x86 z instrukcjami AVX2. Na czterech w\u0105tkach procesora syntezator pozwala na syntez\u0119 od 30 do 60 sekund w sekundzie w trybie syntezy 8 kHz, w trybie 24 kHz \u2014 15-20 sekundy, a w trybie 48 kHz \u2014 oko\u0142o 10 sekund. <\/p>\n
G\u0142\u00f3wne cechy nowej wersji Silero: <\/p>\n
\n
Rozmiar modelu zosta\u0142 zmniejszony dwukrotnie do 50 megabajt\u00f3w;\n
Modele potrafi\u0105 robi\u0107 pauzy;\n
Dost\u0119pne s\u0105 4 wysokiej jako\u015bci g\u0142osy w j\u0119zyku rosyjskim (i niesko\u0144czona liczba przypadkowych). Przyk\u0142ady wymowy;\n
Modele sta\u0142y si\u0119 10 razy szybsze i na przyk\u0142ad w trybie 24 kHz umo\u017cliwiaj\u0105 syntez\u0119 do 20 sekund audio na sekund\u0119 przy 4 w\u0105tkach procesora;\n
Wszystkie warianty g\u0142os\u00f3w dla jednego j\u0119zyka s\u0105 zapakowane w jeden model;\n
Modele mog\u0105 przyjmowa\u0107 ca\u0142e akapity tekstu jako wej\u015bcie, wspieraj\u0105 tagi SSML;\n
Syntezator dzia\u0142a od razu w trzech cz\u0119stotliwo\u015bciach pr\u00f3bkowania do wyboru \u2014 8, 24 i 48 kHz;\n
Rozwi\u0105zano \"dzieci\u0119ce problemy\": niestabilno\u015b\u0107 i pomijanie s\u0142\u00f3w;\n
Dodano flagi do kontroli automatycznego wstawiania ogonk\u00f3w i znaku \"\u0451\". <\/ul>\n
Obecnie dla najnowszej wersji syntezatora dost\u0119pne s\u0105 publicznie 4 g\u0142osy w j\u0119zyku rosyjskim, ale w najbli\u017cszej przysz\u0142o\u015bci zostanie opublikowana kolejna wersja z nast\u0119puj\u0105cymi zmianami: <\/p>\n
\n
Pr\u0119dko\u015b\u0107 syntezatora wzro\u015bnie jeszcze 2-4 razy;\n
Modele syntezatora dla j\u0119zyk\u00f3w WNP: kalmuckiego, tatarskiego, uzbeckiego i ukrai\u0144skiego zostan\u0105 zaktualizowane;\n
Zostan\u0105 dodane modele dla j\u0119zyk\u00f3w europejskich;\n
Zostan\u0105 dodane modele dla j\u0119zyk\u00f3w indyjskich;\n
Zostan\u0105 dodane modele dla j\u0119zyka angielskiego. <\/ul>\n
Niekt\u00f3re z problem\u00f3w systemowych zwi\u0105zanych z syntezatorem Silero: <\/p>\n
\n
W przeciwie\u0144stwie do bardziej tradycyjnych rozwi\u0105za\u0144 syntezatorskich, takich jak RHVoice, syntezator Silero nie ma integracji z SAPI, prostych klient\u00f3w do instalacji oraz integracji dla system\u00f3w Windows i Android;\n
Pr\u0119dko\u015b\u0107, cho\u0107 niezwykle wysoka jak na to rozwi\u0105zanie, mo\u017ce by\u0107 niewystarczaj\u0105ca do syntezowania w czasie rzeczywistym na s\u0142abych procesorach w wysokiej jako\u015bci;\n
Rozwi\u0105zanie do automatycznego akcentowania nie obs\u0142uguje homonim\u00f3w (s\u0142\u00f3w takich jak zAmok i zamOk) i wci\u0105\u017c pope\u0142nia b\u0142\u0119dy, ale ta wada zostanie naprawiona w przysz\u0142ych wydaniach;\n
Aktualna wersja syntezatora nie dzia\u0142a na procesorach bez instrukcji AVX2 (lub konieczne jest specjalne dostosowanie ustawie\u0144 PyTorch), poniewa\u017c jeden z modu\u0142\u00f3w wewn\u0105trz modelu zosta\u0142 skwantyzowany;\n
Aktualna wersja syntezatora ma w zasadzie jedn\u0105 zale\u017cno\u015b\u0107 \u2014 PyTorch, ca\u0142y kod jest \"zaszyty\" wewn\u0105trz modelu i pakiet\u00f3w JIT. \u0179r\u00f3d\u0142a modeli nie s\u0105 publikowane, podobnie jak kod do uruchamiania modeli z klient\u00f3w PyTorch dla innych j\u0119zyk\u00f3w;\n
Libtorch, dost\u0119pny na platformy mobilne, jest znacznie bardziej skomplikowany ni\u017c ONNX runtime, ale wersja modelu w formacie ONNX nie jest jeszcze dost\u0119pna. <\/ul>\n