Μετατροπή κειμένου σε ομιλία εκτός σύνδεσης με τους Piper και Kokoro

Η μετατροπή κειμένου σε ομιλία ή TTS αντιστοιχίζει το γραπτό κείμενο σε μια κυματομορφή ομιλίας. Η εκτέλεση της διαδικασίας εκτός σύνδεσης σημαίνει ότι η εφαρμογή έχει τον απαραίτητο χρόνο εκτέλεσης και τα αρχεία μοντέλου ή φωνής στην τοπική συσκευή και δεν χρειάζεται να στέλνει κάθε έκφραση σε μια φιλοξενούμενη υπηρεσία TTS. Βελτιώνει τη διαθεσιμότητα αλλά μεταβιβάζει τις ευθύνες εγκατάστασης, αποθήκευσης και απόδοσης στον χειριστή. Το Piper είναι ένα έργο TTS ανοιχτού κώδικα με φωνές με δυνατότητα λήψης και εργαλεία τοπικής εξαγωγής συμπερασμάτων. Το τρέχον έργο Piper διατηρείται στο αποθετήριο OHF-Voice και οι λεπτομέρειες αδειοδότησης και πακέτου θα πρέπει να ελεγχθούν εκεί. Το Kokoro είναι μια ξεχωριστή οικογένεια μοντέλων TTS με τη δική της κάρτα μοντέλων, φωνές, βιβλιοθήκες συμπερασμάτων και πληροφορίες γλώσσας. Τα ονόματα δεν υποδηλώνουν πανομοιότυπη αρχιτεκτονική μοντέλου, ποιότητα ή υποστηριζόμενα περιβάλλοντα. Μπορεί να προκύψουν αλλαγές έκδοσης και συσκευασίας, επομένως χρησιμοποιήστε την τρέχουσα τεκμηρίωση του έργου αντί για ένα παλιό σεμινάριο. Ένα φωνητικό μοντέλο δεν είναι το ίδιο πράγμα με το χρόνο εκτέλεσης που το φορτώνει. Οι μορφές μοντέλων, οι φωνοποιητές, τα λεξικά προφοράς, τα πακέτα γλωσσών και οι εξαρτήσεις ήχου επηρεάζουν την αποτελεσματικότητα της σύνθεσης. Ένα συμπαγές μοντέλο μπορεί να ταιριάζει σε μια περιορισμένη συσκευή CPU, ενώ ένα άλλο μπορεί να απαιτεί περισσότερη μνήμη ή επιτάχυνση. Μετρήστε την ταχύτητα παραγωγής, το κόστος εκκίνησης, το αποτύπωμα μνήμης και την ποιότητα ήχου στο πραγματικό υλικό-στόχο. Η κβαντοποίηση ή διαφορετικά backends συμπερασμάτων μπορεί να αλλάξουν τόσο την απόδοση όσο και την παραγωγή. Η κάλυψη της γλώσσας και της φωνής θα πρέπει να επαληθεύεται σε επίπεδο μοντέλου. Ο χρόνος εκτέλεσης που υποστηρίζει μια γλώσσα δεν σημαίνει ότι κάθε φωνή την υποστηρίζει καλά. Τα σωστά ονόματα, οι συντομογραφίες, οι αριθμοί, τα σημεία στίξης και η εναλλαγή κωδικών ενδέχεται να απαιτούν κανονικοποίηση κειμένου ή κανόνες προφοράς. Τα τεστ ακρόασης με αντιπροσωπευτικά αποσπάσματα είναι πιο κατατοπιστικά από το να κρίνουμε μία μόνο δοκιμαστική πρόταση. Η αδειοδότηση και η συγκατάθεση χρειάζονται ξεχωριστούς ελέγχους. Ο κωδικός έργου, τα βάρη μοντέλου και τα μεμονωμένα φωνητικά δεδομένα ενδέχεται να έχουν διαφορετικούς όρους. Εάν συνθέσετε τη φωνή ενός αναγνωρίσιμου ατόμου, λάβετε άδεια και ακολουθήστε τους ισχύοντες κανόνες. Η εκτέλεση εκτός σύνδεσης από μόνη της δεν αποδεικνύει ότι επιτρέπεται η διανομή ή η εμπορική χρήση. Πηγές εγγράφων, εκδόσεις και επιλογές φωνής πριν από την αποστολή.