{"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\/pt\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Novo lan\u00e7amento do sistema de s\u00edntese de voz Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Est\u00e1 dispon\u00edvel uma nova vers\u00e3o p\u00fablica do sistema de s\u00edntese de voz neural Silero Text-to-Speech. O projeto visa principalmente criar um sistema moderno de s\u00edntese de voz de alta qualidade, que se equipare \u00e0s solu\u00e7\u00f5es comerciais das corpora\u00e7\u00f5es e que seja acess\u00edvel a todos, sem a necessidade de equipamentos de servidor caros. <\/p>\n
Os modelos s\u00e3o distribu\u00eddos sob a licen\u00e7a GNU AGPL, mas a empresa que desenvolve o projeto n\u00e3o revela o mecanismo de treinamento dos modelos. Para execut\u00e1-los, pode-se usar PyTorch e frameworks que suportam o formato ONNX. A s\u00edntese de voz no Silero \u00e9 baseada no uso de algoritmos modernos e profundamente modificados de redes neurais e m\u00e9todos de processamento digital de sinais. <\/p>\n
Observa-se que o principal problema das solu\u00e7\u00f5es modernas de redes neurais para s\u00edntese de voz \u00e9 que muitas vezes elas est\u00e3o dispon\u00edveis apenas como solu\u00e7\u00f5es em nuvem pagas, enquanto os produtos p\u00fablicos t\u00eam altas exig\u00eancias de hardware, qualidade inferior ou n\u00e3o s\u00e3o produtos completos prontos para uso. Por exemplo, para executar sem problemas uma das novas arquiteturas populares de s\u00edntese end-to-end, VITS, em modo de s\u00edntese (ou seja, n\u00e3o para o treinamento de modelos), s\u00e3o necess\u00e1rias placas gr\u00e1ficas com mais de 16 gigabytes de VRAM. <\/p>\n
Apesar da tend\u00eancia atual, as solu\u00e7\u00f5es Silero conseguem ser executadas at\u00e9 mesmo em um \u00fanico thread de processadores Intel x86 com instru\u00e7\u00f5es AVX2. Em processadores com 4 threads, a s\u00edntese permite gerar de 30 a 60 segundos de \u00e1udio por segundo em modo de s\u00edntese de 8 kHz, em modo de 24 kHz \u2014 de 15 a 20 segundos, e em modo de 48 kHz \u2014 cerca de 10 segundos. <\/p>\n
Principais caracter\u00edsticas da nova vers\u00e3o do Silero: <\/p>\n
\n
O tamanho do modelo foi reduzido em 2 vezes para 50 megabytes;\n
Os modelos conseguem fazer pausas;\n
Dispon\u00edveis 4 vozes de alta qualidade em russo (e um n\u00famero infinito de aleat\u00f3rias). Exemplos de pron\u00fancia;\n
Os modelos tornaram-se 10 vezes mais r\u00e1pidos e, por exemplo, no modo de 24 kHz, permitem sintetizar at\u00e9 20 segundos de \u00e1udio por segundo em 4 threads de processador;\n
Todas as variantes de vozes para um idioma est\u00e3o empacotadas em um \u00fanico modelo;\n
Os modelos podem aceitar par\u00e1grafos inteiros de texto como entrada, suportando tags SSML;\n
A s\u00edntese funciona imediatamente em tr\u00eas taxas de amostragem \u00e0 escolha \u2014 8, 24 e 48 kHz;\n
Foram resolvidos os 'problemas infantis': instabilidade e omiss\u00e3o de palavras;\n
Adicionados flags para controlar a automa\u00e7\u00e3o de acentua\u00e7\u00e3o e a coloca\u00e7\u00e3o da letra '\u0451'. <\/ul>\n
Atualmente, a vers\u00e3o mais recente da s\u00edntese possui 4 vozes dispon\u00edveis em portugu\u00eas, mas em breve ser\u00e1 lan\u00e7ada a pr\u00f3xima vers\u00e3o com as seguintes mudan\u00e7as: <\/p>\n
\n
A velocidade de s\u00edntese aumentar\u00e1 de 2 a 4 vezes;\n
Ser\u00e3o atualizados os modelos de s\u00edntese para as l\u00ednguas da CEI: Cazaque, T\u00e1rtaro, Uzbeque e Ucraniano;\n
Modelos para l\u00ednguas europeias ser\u00e3o adicionados;\n
Modelos para l\u00ednguas indianas ser\u00e3o acrescentados;\n
Modelos para a l\u00edngua inglesa ser\u00e3o introduzidos. <\/ul>\n
Alguns dos problemas sist\u00eamicos inerentes \u00e0 s\u00edntese Silero: <\/p>\n
\n
Ao contr\u00e1rio de solu\u00e7\u00f5es de s\u00edntese mais tradicionais, como RHVoice, a s\u00edntese Silero n\u00e3o possui integra\u00e7\u00e3o com SAPI, clientes de f\u00e1cil instala\u00e7\u00e3o e integra\u00e7\u00f5es para Windows e Android;\n
Embora a velocidade seja excepcionalmente alta para uma solu\u00e7\u00e3o dessa natureza, pode n\u00e3o ser suficiente para s\u00edntese em tempo real em processadores fracos com alta qualidade;\n
A solu\u00e7\u00e3o de acentua\u00e7\u00e3o autom\u00e1tica n\u00e3o processa hom\u00f3grafos (palavras como zAmok e zamOk) e ainda comete erros, mas essa inadequa\u00e7\u00e3o ser\u00e1 corrigida em vers\u00f5es futuras;\n
A vers\u00e3o atual da s\u00edntese n\u00e3o funciona em processadores sem instru\u00e7\u00f5es AVX2 (ou \u00e9 necess\u00e1rio modificar especificamente as configura\u00e7\u00f5es do PyTorch), uma vez que um dos m\u00f3dulos dentro do modelo \u00e9 quantizado;\n
A vers\u00e3o atual da s\u00edntese possui como \u00fanica depend\u00eancia o PyTorch, todo o n\u00facleo est\u00e1 'embutido' dentro do modelo e dos pacotes JIT. Os c\u00f3digos-fonte dos modelos n\u00e3o s\u00e3o publicados, assim como o c\u00f3digo para executar modelos atrav\u00e9s de clientes PyTorch para outras linguagens;\n
O Libtorch, dispon\u00edvel para plataformas m\u00f3veis, \u00e9 muito mais volumoso do que o runtime do ONNX, mas a vers\u00e3o ONNX do modelo ainda n\u00e3o est\u00e1 dispon\u00edvel. <\/ul>\n