Syntéza reči, známa aj ako prevod textu na reč (TTS), je technológia, ktorá mení text na hovorené slová. Využíva sa na pomoc ľuďom so zdravotným znevýhodnením, učenie jazykov, v GPS navigáciách a v mnohých ďalších oblastiach. Vďaka open source vzniklo veľa TTS nástrojov. V článku sa pozrieme na svet open source syntetizátorov hlasu.
Nie všetky nástroje na syntézu reči sú open source. Napríklad Google Text-to-Speech (TTS) poskytuje výkonné API, ale nie je open source. Rovnako ani Amazon Polly, známa realistickými hlasmi, nie je open source.
Naopak, Coqui AI je kvalitný open source TTS toolkit dostupný na GitHub. Vznikol z projektu Mozilla TTS a ponúka robustné riadkové rozhranie na syntézu reči. Coqui AI používa Tacotron2 na generovanie hlasov s dôrazom na nové hlasy a využíva hlboké učenie.
Microsoft Speech Platform, vrátane TTS funkcií, tiež nie je open source. Vývojárom je však vo Windows dostupné rozhranie Speech API (SAPI5).
V open source svete nechýbajú ani nástroje na rozpoznávanie reči. Výborným príkladom je CMU Sphinx, súbor systémov z Carnegie Mellon University.
Medzi najkvalitnejšie open source nástroje na syntézu hlasu patria:
- eSpeak: Kompaktný open source syntetizátor reči pre angličtinu a ďalšie jazyky. Beží na Windows, Linuxe a hodí sa pre robotické aplikácie, kde záleží na malej veľkosti.
- Mycroft: Open source hlasový asistent využívajúci strojové učenie na prevod textu na reč aj rozpoznávanie reči.
- MaryTTS: Flexibilná open source TTS platforma v Jave s podporou viacerých jazykov.
- Mozilla TTS: Engine na prevod textu na reč založený na hlbokom učení, súčasť projektu Common Voice, zameraný na vytváranie datasetov pre aplikácie s hlasovým ovládaním.
- Festival Speech Synthesis System: Vyvinutý v Centre for Speech Technology Research v UK, ponúka všeobecný rámec pre systémy syntézy reči a obsahuje rôzne hlasy.
- Flite (Festival-lite): Ľahký engine na syntézu reči vychádzajúci z Festivalu, vhodný pre embedded systémy a servery s veľkým objemom syntézy.
- HTS: HMM-Based Speech Synthesis System (HTS) je systém na trénovanie a syntézu reči z textu, známy vysokou kvalitou výstupu.
- Docker: Hoci Docker nie je TTS nástroj, mnoho TTS riešení, ako Coqui, v ňom jednoducho beží, čo zlepšuje ich prenositeľnosť.
Každý nástroj má svoje plusy aj mínusy. Open source syntetizátory hlasu sú zadarmo, prispôsobiteľné a stoja za nimi komunity. Často ponúkajú predtrénované modely využívajúce strojové a hlboké učenie. Ich nastavenie však vyžaduje technické znalosti a niektorým môže chýbať kvalita či jazyková podpora na úrovni komerčných riešení.
Open source mení svet technológií a TTS systémy sa budú ďalej rýchlo vyvíjať. Majú veľký potenciál pre aplikácie v reálnom čase aj pre rozvoj AI, hlbokého učenia a rozpoznávania reči.
