La síntesi de veu, o també anomenada síntesi de text a veu (TTS), és una tecnologia que converteix text en veu. Té moltes aplicacions: ajuda persones amb discapacitat, s’utilitza per aprendre idiomes, en navegadors GPS i molt més. Amb l’arribada del codi obert, han aparegut moltes eines de síntesi de veu. Aquest article s’endinsa en l’univers dels sintetitzadors de veu de codi obert.
Cal tenir en compte que no totes les eines de síntesi de veu són de codi obert. Per exemple, Google Text-to-Speech (TTS) ofereix una API potent per a desenvolupadors, però no és de codi obert. De la mateixa manera, Amazon Polly, coneguda per les seves veus realistes, tampoc és de codi obert.
En canvi, Coqui AI, un kit TTS d'alta qualitat, és un projecte de codi obert disponible a GitHub. Va néixer a partir del projecte TTS de Mozilla i ofereix una línia d’ordres molt potent. Coqui AI té "veu pròpia": utilitza Tacotron2 per generar veu i se centra en la creació de noves veus amb models d'aprenentatge profund.
La Microsoft Speech Platform, incloses les funcionalitats TTS, tampoc és de codi obert. Tot i això, la Speech API (SAPI5) està disponible per a desenvolupadors en plataformes Windows.
Ara bé, en el món del codi obert tampoc falten eines de reconeixement de veu. Un bon exemple és CMU Sphinx, un conjunt de sistemes desenvolupats a la Carnegie Mellon University.
Pel que fa a eines TTS de codi obert d’alta qualitat, n’hi ha diverses que destaquen:
- eSpeak: Sintetitzador de veu compacte i de codi obert per a l’anglès i altres idiomes. Funciona a Windows i Linux, i és ideal per a robòtica de mida petita.
- Mycroft: Assistent de veu de codi obert que utilitza machine learning per fer TTS i reconeixement de veu.
- MaryTTS: Plataforma de síntesi de veu flexible, multilingüe i oberta escrita en Java.
- Mozilla TTS: Motor TTS basat en deep learning, part del projecte Common Voice, orientat a crear conjunts de dades per entrenar aplicacions amb veu.
- Festival Speech Synthesis System: Desenvolupat pel Centre for Speech Technology Research (UK), és un marc general per crear sistemes de síntesi de veu amb diferents veus.
- Flite (Festival-lite): Motor lleuger de síntesi de veu basat en Festival, ideal per a sistemes embeguts i servidors de veu amb molta càrrega.
- HTS: El sistema HTS (HMM-Based Speech Synthesis System) entrena i sintetitza veu a partir de text, molt utilitzat per la seva alta qualitat de síntesi.
- Docker: Tot i que Docker no és TTS, molts TTS com Coqui es poden fer servir dins Docker per facilitar la portabilitat entre plataformes.
Cada eina té els seus avantatges i inconvenients. Els sintetitzadors de veu de codi obert són gratuïts, personalitzables i compten amb suport comunitari, molt útil per a desenvolupadors i usuaris. Sovint inclouen models preentrenats per aprofitar l’aprenentatge automàtic i profund. Ara bé, requereixen coneixements tècnics per instal·lar-los i fer-los servir, i potser no arriben a la qualitat o al suport de llengües de les solucions comercials.
El codi obert continua transformant el món tecnològic, i els sistemes de síntesi de veu i TTS també evolucionen. Ofereixen un gran potencial per a aplicacions en temps real i per al futur de la IA en reconeixement i síntesi de veu.
