{"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\/sk\/blog\/news\/novyj-vypusk-sistemy-sinteza-rechi-silero","title":{"rendered":"Nov\u00e9 vydanie syst\u00e9mu synt\u00e9zy re\u010di Silero","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
K dispoz\u00edcii je nov\u00e9 verejn\u00e9 vydanie neur\u00f3nov\u00e9ho syst\u00e9mu synt\u00e9zy re\u010di Silero Text-to-Speech. Projekt sa predov\u0161etk\u00fdm zameriava na vytvorenie modernej, vysoko kvalitnej synt\u00e9zy re\u010di, ktor\u00e1 sa vyrovn\u00e1 komer\u010dn\u00fdm rie\u0161eniam od korpor\u00e1ci\u00ed a je pr\u00edstupn\u00e1 pre v\u0161etk\u00fdch bez potreby drah\u00e9ho serverov\u00e9ho vybavenia. <\/p>\n
Modely s\u00fa distribuovan\u00e9 pod licenciou GNU AGPL, no rozv\u00edjaj\u00faca sa spolo\u010dnos\u0165 neodha\u013euje mechanizmus tr\u00e9novania modelov. Na spustenie je mo\u017en\u00e9 pou\u017ei\u0165 PyTorch a r\u00e1mce so podporou form\u00e1tu ONNX. Synt\u00e9za re\u010di v Silero je zalo\u017een\u00e1 na hlbok\u00fdch modifikovan\u00fdch modern\u00fdch neur\u00f3nov\u00fdch algoritmoch a met\u00f3dach digit\u00e1lneho spracovania sign\u00e1lov. <\/p>\n
V s\u00fa\u010dasnosti je hlavn\u00fdm probl\u00e9mom modern\u00fdch neur\u00f3nov\u00fdch rie\u0161en\u00ed pre synt\u00e9zu re\u010di to, \u017ee s\u00fa \u010dasto k dispoz\u00edcii iba v r\u00e1mci platen\u00fdch cloudov\u00fdch rie\u0161en\u00ed a verejn\u00e9 produkty maj\u00fa vysok\u00e9 n\u00e1roky na hardv\u00e9r, ni\u017e\u0161iu kvalitu alebo nie s\u00fa dokon\u010den\u00e9 a pripraven\u00e9 na pou\u017eitie. Napr\u00edklad na bezprobl\u00e9mov\u00e9 spustenie jednej z nov\u00fdch popul\u00e1rnych architekt\u00far end-to-end synt\u00e9zy, VITS, v re\u017eime synt\u00e9zy (to znamen\u00e1, \u017ee nie je ur\u010den\u00e1 na tr\u00e9novanie modelov), s\u00fa potrebn\u00e9 grafick\u00e9 karty s viac ako 16 gigabajtmi VRAM. <\/p>\n
Napriek zaveden\u00e9mu trendu rie\u0161enia Silero \u00faspe\u0161ne funguj\u00fa aj na 1 vl\u00e1kne procesora Intel x86 s in\u0161trukciami AVX2. Na 4 vl\u00e1knach procesora synt\u00e9za umo\u017e\u0148uje syntetizova\u0165 od 30 do 60 sek\u00fand za sekundu v re\u017eime synt\u00e9zy 8 kHz, v re\u017eime 24 kHz \u2014 15-20 sek\u00fand, a v re\u017eime 48 kHz \u2014 okolo 10 sek\u00fand. <\/p>\n
Hlavn\u00e9 funkcie nov\u00e9ho vydania Silero: <\/p>\n
\n
Ve\u013ekos\u0165 modelu bola zn\u00ed\u017een\u00e1 na polovicu, na 50 megabajtov;\n
Modely dok\u00e1\u017eu robi\u0165 pauzy;\n
K dispoz\u00edcii s\u00fa 4 vysoko kvalitn\u00e9 hlasy v ru\u0161tine (a nekone\u010dn\u00e9 mno\u017estvo n\u00e1hodn\u00fdch). Pr\u00edklady v\u00fdslovnosti;\n
Modely sa stali 10-kr\u00e1t r\u00fdchlej\u0161ie a napr\u00edklad v re\u017eime 24 kHz umo\u017e\u0148uj\u00fa syntetizova\u0165 a\u017e 20 sek\u00fand audia za sekundu na 4 vl\u00e1knach procesora;\n
V\u0161etky varianty hlasov pre jeden jazyk s\u00fa zabalen\u00e9 do jedn\u00e9ho modelu;\n
Modely dok\u00e1\u017eu prij\u00edma\u0165 cel\u00e9 odseky textu ako vstup, podporuj\u00fa sa SSML zna\u010dky;\n
Synt\u00e9za pracuje hne\u010f v troch frekvenci\u00e1ch vzorkovania na v\u00fdber \u2014 8, 24 a 48 kilohertzov;\n
Rie\u0161en\u00e9 'deti\u010dk\u00e9 probl\u00e9my': nestabilita a vynech\u00e1vanie slov;\n
Pridan\u00e9 vlajky pre kontrolu automatick\u00e9ho ur\u010denia d\u00f4razu a pre ur\u010denie p\u00edsmena '\u0451'. <\/ul>\n
Pre najnov\u0161iu verziu synt\u00e9zy s\u00fa v s\u00fa\u010dasnosti verejne dostupn\u00e9 4 hlasy v ru\u0161tine, ale \u010doskoro bude vydan\u00e1 \u010fal\u0161ia verzia s nasleduj\u00facimi zmenami: <\/p>\n
\n
R\u00fdchlos\u0165 synt\u00e9zy sa zv\u00fd\u0161i e\u0161te 2-4 kr\u00e1t;\n
Bud\u00fa aktualizovan\u00e9 modely synt\u00e9zy pre jazyky SNSh: Kalmuck\u00fd, Tatar, Uzbeck\u00fd a Ukrajinsk\u00fd;\n
Bud\u00fa pridan\u00e9 modely pre eur\u00f3pske jazyky;\n
Bud\u00fa pridan\u00e9 modely pre indick\u00e9 jazyky;\n
Bud\u00fa pridan\u00e9 modely pre anglick\u00fd jazyk. <\/ul>\n
Niektor\u00e9 z probl\u00e9mov syst\u00e9mu, ktor\u00e9 s\u00fa vlastn\u00e9 synt\u00e9ze Silero: <\/p>\n
\n
Na rozdiel od tradi\u010dnej\u0161\u00edch rie\u0161en\u00ed pre synt\u00e9zu, ako je RHVoice, synt\u00e9za Silero nem\u00e1 integr\u00e1ciu s SAPI, jednoducho in\u0161talovate\u013en\u00fdch klientov a integr\u00e1ci\u00ed pre Windows a Android;\n
R\u00fdchlos\u0165, aj ke\u010f je bezprecedentne vysok\u00e1 pre tak\u00e9to rie\u0161enie, m\u00f4\u017ee by\u0165 nedostato\u010dn\u00e1 pre synt\u00e9zu v re\u00e1lnom \u010dase na slab\u00fdch procesoroch vo vysokej kvalite;\n
Rie\u0161enie pre automatick\u00e9 prid\u00e1vanie pr\u00edzvukov nezvl\u00e1da homografy (slov\u00e1 ako z\u00e1mok a zamok) a st\u00e1le rob\u00ed chyby, ale t\u00e1to nedoroben\u00e1 \u010das\u0165 bude opraven\u00e1 v bud\u00facich vydaniach;\n
S\u00fa\u010dasn\u00e1 verzia synt\u00e9zy nefunguje na procesoroch bez in\u0161trukci\u00ed AVX2 (alebo je potrebn\u00e9 \u0161pecificky meni\u0165 nastavenia PyTorch), preto\u017ee jeden z modulov vn\u00fatri modelu je kvantizovan\u00fd;\n
Aktu\u00e1lna verzia synt\u00e9zy v podstate m\u00e1 jedin\u00fa z\u00e1vislos\u0165 PyTorch, v\u0161etka n\u00e1pl\u0148 je 'zabudovan\u00e1' do modelu a JIT bal\u00ed\u010dkov. Zdroje modelov nie s\u00fa publikovan\u00e9, rovnako ako k\u00f3d na spustenie modelov pod klientmi PyTorch pre in\u00e9 jazyky;\n
Libtorch, dostupn\u00fd pre mobiln\u00e9 platformy, je ove\u013ea objemnej\u0161\u00ed ne\u017e ONNX runtime, ale verzia modelu na ONNX zatia\u013e nie je k dispoz\u00edcii. <\/ul>\n