eSpeak - eSpeak

eSpeakNG - это компактный программный синтезатор речи с открытым исходным кодом для Linux , Windows и других платформ. Он использует метод формантного синтеза , предоставляя множество языков в небольшом размере. Большая часть программирования для поддержки языка eSpeakNG выполняется с использованием файлов правил с отзывами от носителей языка.

Из-за своего небольшого размера и множества языков он включен в качестве синтезатора речи по умолчанию в программу чтения с экрана с открытым исходным кодом NVDA для Windows, а также Android, Ubuntu и других дистрибутивов Linux. Его предшественник eSpeak был рекомендован Microsoft в 2016 году и использовался Google Translate для 27 языков в 2010 году; 17 из них впоследствии были заменены коммерческими голосами.

Качество языковых голосов сильно различается. В предшественнике eSpeakNG, eSpeak, первоначальные версии некоторых языков были основаны на информации, найденной в Википедии . Некоторые языки получили больше работы или отзывов от носителей языка, чем другие. Большинство людей, которые помогли улучшить различные языки, являются слепыми пользователями преобразования текста в речь.

История

В 1995 году Джонатан Даддингтон выпустил синтезатор речи Speak для компьютеров с ОС RISC, поддерживающих британский английский. 17 февраля 2006 г. Speak 1.05 был выпущен под лицензией GPLv2 , первоначально для Linux , с добавленной в январе 2007 г. версией Windows SAPI 5. Разработка Speak продолжалась до версии 1.14, когда она была переименована в eSpeak.

Разработка eSpeak продолжалась с версии 1.16 (версии 1.15 не было) с добавлением программы eSpeakEdit для редактирования и создания голосовых данных eSpeak. Они были доступны только как отдельный исходный код и двоичные загрузки до eSpeak 1.24. Версия eSpeak 1.24.02 была первой версией eSpeak, версия которой контролировалась с помощью Subversion , с отдельными исходными кодами и двоичными загрузками, доступными на SourceForge. Начиная с eSpeak 1.27, eSpeak был обновлен для использования лицензии GPLv3 . Последним официальным выпуском eSpeak был 1.48.04 для Windows и Linux, 1.47.06 для RISC OS и 1.45.04 для macOS . Последний выпуск eSpeak в разработке - 1.48.15 16 апреля 2015 года.

eSpeak использует схему Usenet для представления фонем с помощью символов ASCII.

eSpeak NG

25 июня 2010 года Рис Данн запустил форк eSpeak на GitHub, используя версию 1.43.46. Это началось как попытка упростить создание eSpeak на Linux и других платформах POSIX .

4 октября 2015 года (через 6 месяцев после выпуска eSpeak 1.48.15) этот форк начал более сильно расходиться с исходным eSpeak.

8 декабря 2015 года в списке рассылки eSpeak обсуждалось отсутствие активности со стороны Джонатана Даддингтона за предыдущие 8 месяцев с момента последней разработки eSpeak. Это переросло в обсуждение продолжения разработки eSpeak в отсутствие Джонатана. Результатом этого стало создание вилки espeak-ng (Next Generation), использующей версию eSpeak для GitHub в качестве основы для будущего развития.

11 декабря 2015 года был запущен форк espeak-ng. Первым выпуском espeak-ng был 1.49.0 от 10 сентября 2016 года, который содержал значительную очистку кода, исправления ошибок и языковые обновления.

Функции

eSpeakNG можно использовать как программу командной строки или как разделяемую библиотеку.

Он поддерживает язык разметки синтеза речи (SSML).

Языковые голоса идентифицируются кодом языка ISO 639-1 . Их можно модифицировать «голосовыми вариантами». Это текстовые файлы, которые могут изменять такие характеристики, как диапазон высоты тона, добавлять эффекты, такие как эхо, шепот и хриплый голос, или вносить систематические корректировки в частоты формант для изменения звука голоса. Например, «af» - это голос африкаанс. «af + f2» - это голос африкаанс, модифицированный вариантом голоса «f2», который изменяет форманты и диапазон высоты тона для создания женского звука.

eSpeakNG использует представление имен фонем в формате ASCII, которое частично основано на системе Usenet .

Фонетические представления могут быть включены в текстовый ввод, заключив их в двойные квадратные скобки. Например: espeak-ng -v en «Hello [[w3: ld]]» скажет Hello world на английском языке.

Метод синтеза

eSpeakNG можно использовать в качестве переводчика текста в речь по-разному, в зависимости от того, какой этап преобразования текста в речь пользователь хочет использовать.

1. шаг - перевод текста в фонемы

Есть много языков (особенно английский ), в которых нет однозначных правил написания и произношения; поэтому первым шагом в преобразовании текста в речь должен быть преобразование текста в фонемы.

1. вводимый текст переводится в фонемы произношения (например, вводимый текст xerox переводится на zi @ r0ks для произношения).
2. произношение фонема синтезируется в звуковой , например, Zi @ r0ks звонкий , как цзы @ r0ks в монотонном образе

Для добавления интонации к речи необходимы данные просодии (например, ударение слога, падающая или повышающаяся высота основной частоты, пауза и т. Д.) И другая информация, которая позволяет синтезировать более человечную, немонотонную речь. Например, в формате eSpeakNG ударный слог добавляется с использованием апострофа: z'i @ r0ks, что обеспечивает более естественную речь: z'i @ r0ks с интонацией.

Для сравнения два образца с данными просодии и без них:

1. [[DIs Iz m0noUntoUn spi: tS]] пишется монотонно
2. [[DIs Iz 'Int @ n, eItI2d sp'i: tS]] пишется интонационно

Если eSpeakNG используется для генерации просодии данных только, то просодии данные могут быть использованы в качестве входных данных для MBROLA дифона голосов.

2. шаг - синтез звука из просодических данных

ESpeakNG предоставляет два разных типа синтеза формантной речи, используя два разных подхода. С собственным синтезатором eSpeakNG и синтезатором Klatt :

1. Синтезатор eSpeakNG создает озвученные звуки речи, такие как гласные и сонорные согласные, путем аддитивного синтеза, складывая синусоидальные волны для создания общего звука. Невозвученные согласные, например / s /, получаются при воспроизведении записанных звуков, потому что они богаты гармониками, что делает аддитивный синтез менее эффективным. Звонкие согласные, такие как / z /, получаются путем смешивания синтезированного вокализованного звука с записанным образцом невокализованного звука.
2. Синтезатор Klatt в основном использует те же формантные данные, что и синтезатор eSpeakNG. Но он также производит звуки путем субтрактивного синтеза , начиная с генерируемого шума, который богат гармониками, а затем применяет цифровые фильтры и огибающую, чтобы отфильтровать необходимый частотный спектр и звуковую огибающую для определенной согласной (s, t, k) или сонората ( л, м, н) звук.

Для MBROLA голоса, eSpeakNG преобразует текст в фонемы и связанные смоляных контуры. Он передает это в программу MBROLA, используя формат файла PHO, захватывая аудио, созданное на выходе MBROLA. Затем этот звук обрабатывается eSpeakNG.

Языки

eSpeakNG выполняет синтез текста в речь для следующих языков:

1. В настоящее время поддерживается только арабский с полной диакритикой .
2. Персидский язык написан английскими (латинскими) буквами .
3. В настоящее время поддерживается только Pha̍k-fa-sṳ .
4. В настоящее время поддерживаются только хирагана и катакана .

Смотрите также

• Система синтеза речи фестиваля
• Google Переводчик
• Голоса для преобразования текста в речь Microsoft
• Речь

использованная литература

внешние ссылки

• eSpeakNG на GitHub
• Список рассылки eSpeakNG
• eSpeak перенесен на JavaScript
• Страница тестирования разрабатываемой версии eSpeakNG
• Статья журнала Tombuntu об eSpeak
• GUI для eSpeak
• Ruby API для eSpeak
• Lua API для eSpeak
• Интерфейс синтеза вокала eCantorix для eSpeak