ESpeak - ESpeak

eSpeakNG
Původní autořiJonathan Duddington
VývojářiReece Dunn
První vydáníÚnora 2006; Před 14 lety (2006-02)
Stabilní uvolnění
1.50 / 30. října 2020; Před 27 dny (2020-10-30)
Úložištěgithub.com/ espeak-ng/ espeak-ng/
NapsánoC
Operační systémLinux
Okna
Operační Systém Mac
FreeBSD
TypSyntezátor řeči
LicenceGPLv3
webová stránkagithub.com/ espeak-ng/ espeak-ng/

eSpeakNG je kompaktní, open-source, software syntetizátor řeči pro Linux, Okna a další platformy. Používá a syntéza formantů metoda poskytující mnoho jazyků v malé velikosti. Velká část programování jazykové podpory eSpeakNG se provádí pomocí souborů pravidel se zpětnou vazbou od rodilých mluvčích.

Vzhledem ke své malé velikosti a mnoha jazykům je v programu zahrnut jako výchozí syntetizátor řeči NVDA [1] otevřený zdroj čtečka obrazovky pro Windows i Android,[2] Ubuntu[3] a další linuxové distribuce. Jeho předchůdce eSpeak doporučil Microsoft v roce 2016[4] a byl používán uživatelem Google Překladač pro 27 jazyků v roce 2010;[5] 17 z nich bylo následně nahrazeno komerčními hlasy.[6]

Kvalita jazykových hlasů se velmi liší. V předchůdci eSpeakNG eSpeak byly počáteční verze některých jazyků založeny na informacích nalezených na Wikipedia.[7] Některé jazyky mají více práce nebo zpětnou vazbu od rodilých mluvčích než jiné. Většina lidí, kteří pomohli zlepšit různé jazyky, jsou slepí uživatelé převodu textu na řeč.

Dějiny

V roce 1995 vydal Jonathan Duddington pro Speak syntetizér řeči RISC OS počítače podporující britskou angličtinu.[8] Dne 17. Února 2006 byl Speak 1.05 vydán pod GPLv2 licence, původně pro Linux, s Windows SAPI 5 verze přidána v lednu 2007.[9] Vývoj na Speak pokračoval až do verze 1.14, kdy byla přejmenována na eSpeak.

Vývoj eSpeak pokračoval od 1.16 (nedošlo k vydání 1.15)[9] s přidáním programu eSpeakEdit pro úpravy a vytváření hlasových dat eSpeak. Ty byly k dispozici pouze jako samostatný zdroj a binární stahování až do eSpeak 1.24. Verze 1.24.02 eSpeak byla první verzí eSpeaku, kterou lze ovládat pomocí verze podvracení,[10] se samostatným zdrojovým a binárním stahováním zpřístupněným na Sourceforge.[9] Od eSpeak 1.27 byl eSpeak aktualizován, aby používal GPLv3 licence.[11] Poslední oficiální vydání eSpeak bylo 1.48.04 pro Windows a Linux, 1.47.06 pro RISC OS a 1.45.04 pro Operační Systém Mac.[12] Poslední vývojová verze eSpeak byla 16. dubna 2015 1.48.15.[13]

eSpeak používá Usenetové schéma reprezentovat fonémy se znaky ASCII.[14]

eSpeak NG

Dne 25. června 2010,[15] Reece Dunn zahájil a Vidlička eSpeak na GitHub pomocí verze 1.43.46. Začalo to jako snaha usnadnit vytváření eSpeak na Linuxu a dalších POSIX platformy.

Dne 4. října 2015 (6 měsíců po vydání eSpeaku 1.48.15) se tato vidlice začala výrazněji odchylovat od původního eSpeaku.[16][17]

Dne 8. prosince 2015 proběhly diskuse na e-mailovém seznamu eSpeak o nedostatečné aktivitě Jonathana Duddingtona za posledních 8 měsíců od posledního vydání vývoje eSpeak. Z toho se vyvinuly diskuse o pokračujícím vývoji eSpeak v Jonathanově nepřítomnosti.[18][19] Výsledkem toho bylo vytvoření vidlice espeak-ng (Next Generation) využívající verzi eSpeak GitHub jako základ pro budoucí vývoj.

Dne 11. prosince 2015 byla spuštěna vidlice espeak-ng.[20] První vydání espeak-ng bylo 1.49.0 dne 10. září 2016,[21] obsahující významné vyčištění kódu, opravy chyb a jazykové aktualizace.

Funkce

eSpeakNG lze použít jako program příkazového řádku nebo jako sdílenou knihovnu.

Podporuje to Značkovací jazyk syntézy řeči (SSML).

Hlasy jazyků jsou identifikovány podle jazyka ISO 639-1 kód. Lze je upravit pomocí „hlasových variant“. Jedná se o textové soubory, které mohou změnit charakteristiky, jako je rozsah výšky tónu, přidat efekty, jako je echo, šepot a chraplavý hlas, nebo provádět systematické úpravy formujících frekvencí, aby se změnil zvuk hlasu. Například „af“ je afrikánský hlas. „af + f2“ je afrikánský hlas upravený variantou hlasu „f2“, která mění formanty a rozsah výšky tónu tak, aby poskytovaly ženský zvuk.

eSpeakNG používá ASCII reprezentaci jmen fonémů, která volně vychází z Systém Usenet.

Fonetická znázornění lze zahrnout do zadávání textu tak, že je zahrnete do dvojitých hranatých závorek. Například: espeak-ng -v cs „Ahoj [[w3: ld]]“ řekne O tomto zvukuAhoj světe v angličtině.

Metoda syntézy

ESpeakNG intro od eSpeakNG v angličtině

eSpeakNG lze použít jako překladač převodu textu na řeč různými způsoby, v závislosti na tom, který krok převodu textu na řeč chce uživatel použít.

1. krok - překlad textu do fonému

Existuje mnoho jazyků (zejména Angličtina ) které nemají přímá individuální pravidla mezi psaním a výslovností; prvním krokem při generování převodu textu na řeč proto musí být překlad textu na foném.

  1. vstupní text je přeložen do foném výslovnosti (např. vstupní text xerox je přeložen do zi @ r0ks pro výslovnost).
  2. fonémy výslovnosti jsou syntetizovány do zvuku, např. zi @ r0ks je vyjádřen jako O tomto zvukuzi @ r0ks monotónním způsobem

Přidat intonaci pro řeč, tj. prozódie jsou nutná data (např. stres slabiky, klesající nebo stoupající výška základní frekvence, pauza atd.) a další informace, které umožňují syntetizovat lidštější, nejednotnou řeč. Např. ve formátu eSpeakNG je stresová slabika přidána pomocí apostrofu: z'i @ r0ks který poskytuje přirozenější řeč: O tomto zvukuz'i @ r0ks s intonací

Pro srovnání dva vzorky s daty prosody a bez nich:

  1. [[DIs Iz m0noUntoUn spi: tS]] je napsána O tomto zvukumonotónním způsobem
  2. [[DIs Iz 'Int @ n, eItI2d sp'i: tS]] je napsána O tomto zvukuintonovaným způsobem

Pokud se eSpeakNG používá pouze pro generování dat prozodie, lze data prozodie použít jako vstup pro MBROLA diphone hlasy.

2. krok - zvuková syntéza z dat prozodie

ESpeakNG poskytuje dva různé typy formant syntéza řeči pomocí jeho dvou různých přístupů. S vlastním syntezátorem eSpeakNG a Klattův syntezátor:[22]

  1. Syntezátor eSpeakNG vytváří znělé řeči, jako jsou samohlásky a sonorant souhlásky podle aditivní syntéza sčítáním sinusových vln, aby byl celkový zvuk. Neznělé souhlásky např. / s / jsou vytvářeny přehráváním zaznamenaných zvuků,[23] protože jsou bohaté na harmonické, což činí syntézu aditiv méně efektivní. Hlasové souhlásky jako / z / se vytvářejí smícháním syntetizovaného zvukového zvuku se zaznamenaným vzorkem neznělého zvuku.
  2. Klattův syntezátor většinou používá stejná formantová data jako syntezátor eSpeakNG. Ale také produkuje zvuky subtraktivní syntéza počínaje generovaným šumem, který je bohatý na harmonické, a poté aplikováním digitální filtry a obklopující odfiltrovat potřebné frekvenční spektrum a zvukovou obálku pro konkrétní zvuk souhlásky (s, t, k) nebo sonorant (l, m, n).

Pro MBROLA hlasy, eSpeakNG převádí text na fonémy a přidružené kontury výšky tónu. Předává to programu MBROLA pomocí formátu souboru PHO a zachycuje zvuk vytvořený na výstupu MBROLA. Tento zvuk pak zpracovává eSpeakNG.

Jazyky

eSpeakNG provádí syntézu převodu textu na řeč pro následující jazyky:[24][25]

  1. Abaza
  2. afrikánština[26]
  3. Albánec[27]
  4. Amharština
  5. Starořečtina
  6. arabština1
  7. Aragonština[28]
  8. Arménský (Východní arménština )
  9. Arménský (Západní arménština )
  10. Asámština
  11. Ázerbájdžánština
  12. Bashkir
  13. Baskičtina
  14. Běloruský
  15. bengálský
  16. Bhojpuri
  17. Bishnupriya Manipuri
  18. Bosenské
  19. bulharský[28]
  20. Barmská
  21. Kantonský[28]
  22. Katalánština[28]
  23. Cebuano
  24. Čerokee
  25. Chichewa
  26. čínština (Mandarinka )
  27. Korsičan
  28. chorvatský[28]
  29. čeština
  30. Chuvash
  31. dánština[28]
  32. holandský[28]
  33. Dzongkha
  34. Angličtina (americký )[28]
  35. Angličtina (britský )
  36. Angličtina (karibský )
  37. Angličtina (Lancastrian )
  38. Angličtina (Přijatá výslovnost )
  39. Angličtina (skotský )
  40. Angličtina (západní Středozemí )
  41. esperanto[28]
  42. estonština[28]
  43. Finština[28]
  44. francouzština (belgický )[28]
  45. francouzština (Francie )
  46. francouzština (švýcarský )
  47. Frisian
  48. Galicijština
  49. Gruzínský[28]
  50. Němec[28]
  51. řecký (Moderní )[28]
  52. Grónský
  53. Guarani
  54. Gudžarátština
  55. Hakka čínská
  56. Haitská kreolština
  57. Hausa
  58. havajský
  59. hebrejština
  60. hindština[28]
  61. Hmong
  62. maďarský[28]
  63. islandský[28]
  64. Igbo
  65. indonéština[28]
  66. Dělám
  67. Interlingua
  68. irština[28]
  69. italština[28]
  70. japonský3[29]
  71. Kannadština[28]
  72. Kazašský
  73. Khmer
  74. Klingon
  75. Kʼicheʼ
  76. Konkani[30]
  77. korejština
  78. kurdština[28]
  79. Kyrgyzština
  80. Kečuánština
  81. Lao
  82. latinský
  83. Latgalian
  84. lotyšský[28]
  85. Lingua Franca Nova
  86. Lepcha
  87. Limbu
  88. Litevský
  89. Lojban[28]
  90. Lucemburština
  91. Makedonština
  92. Maithili
  93. Malgaština
  94. Malajština[28]
  95. Malayalam[28]
  96. maltština
  97. Māori
  98. Maráthština,[28]
  99. mongolský
  100. Nahuatl (Klasický )
  101. Navajo
  102. Nepálština[28]
  103. Norština (Bokmål )[28]
  104. Nogai
  105. Odia
  106. Oromo
  107. Papiamento
  108. Paštštino
  109. Peršan[28]
  110. Peršan (latinka )2
  111. polština[28]
  112. portugalština (brazilský )[28]
  113. portugalština (Portugalsko )
  114. Pandžábský[31]
  115. Pyash (konstruovaný jazyk)
  116. rumunština[28]
  117. ruština[28]
  118. ruština (Lotyšsko )
  119. Samoan
  120. Sanskrt
  121. Skotská gaelština
  122. srbština[28]
  123. Shan (Tai Yai),
  124. Sharda
  125. Sesotho
  126. Shona
  127. Sindhi
  128. Sinhálština
  129. Slovák[28]
  130. slovinský
  131. Somálci
  132. španělština (Španělsko )[28]
  133. španělština (Latinskoamerický )
  134. Svahilština[26]
  135. švédský[28]
  136. Tádžické
  137. Tamil[28]
  138. Tatar
  139. Telugština
  140. Tswana
  141. Thai
  142. Turkmenština
  143. turečtina[28]
  144. Tatar
  145. Ujgur
  146. ukrajinština
  147. Urdu
  148. Uzbek
  149. vietnamština (Střední Vietnamci )[28]
  150. vietnamština (Severní Vietnamci )
  151. vietnamština (Jižní vietnamština )
  152. Valyrian
  153. velština
  154. Wolof
  155. Xhosa
  156. jidiš
  157. Yoruba
  158. Zulu
  1. V současné době pouze plně arabská diakritika je podporován.
  2. Peršan psáno pomocí Anglické (latinské) znaky.
  3. V současné době pouze Hiragana a Katakana jsou podporovány.

Viz také

Reference

  1. ^ Přepněte na eSpeak NG v distribuci NVDA # 5651
  2. ^ eSpeak TTS pro Android
  3. ^ balíček espeak-ng v Ubuntu
  4. ^ https://support.office.com/en-us/article/download-voices-for-immersive-reader-read-mode-and-read-aloud-4c83a8d8-7486-42f7-8e46-2b0fdf753130
  5. ^ Blog Google, Hlas v dalších jazycích v Překladači Google, Květen 2010
  6. ^ Blog Google, Poslouchejte nás hned, Prosinec 2010.
  7. ^ eSpeak Speech Synthesizer 3. JAZYKY
  8. ^ http://espeak.sourceforge.net/
  9. ^ A b C https://sourceforge.net/projects/espeak/files/espeak/
  10. ^ Historie podvracení (revize 1)
  11. ^ Historie podvracení (revize 56)
  12. ^ http://espeak.sourceforge.net/download.html
  13. ^ http://espeak.sourceforge.net/test/latest.html
  14. ^ van Leussen, Jan-Wilem; Tromp, Maarten (26. července 2007). „Latin to Speech“: 6. CiteSeerX  10.1.1.396.7811. Citovat deník vyžaduje | deník = (Pomoc)
  15. ^ https://github.com/rhdunn/espeak/commit/63daaecefccde34b700bd909d23c6dd2cac06e20
  16. ^ https://github.com/rhdunn/espeak/commit/61522a12a38453a4e854fd9c9e0994ad80420243
  17. ^ https://github.com/nvaccess/nvda/issues/5651#issuecomment-170288487
  18. ^ Převzetí vlastnictví projektu eSpeak a jeho budoucnosti
  19. ^ Hlasujte pro nového hlavního vývojáře eSpeak
  20. ^ Rebrand the espeak program to espeak-ng.
  21. ^ espeak-ng 1.49.0
  22. ^ Dennis H. Klatt (1979). "Software pro kaskádový / paralelní formantový syntetizátor" (PDF). J. Acoustical Society of America, 67 (3), březen 1980.
  23. ^ Seznam zaznamenaných frikativ v eSpeakNG
  24. ^ https://github.com/espeak-ng/espeak-ng/blob/master/docs/languages.md
  25. ^ https://github.com/espeak-ng/espeak-ng/blob/master/CHANGELOG.md
  26. ^ A b Butgereit, L., & Botha, A. (2009, květen). Hadeda: Hlučný způsob procvičování pravopisné slovní zásoby pomocí mobilního telefonu. v Konference IST-Afrika 2009, Kampala, Uganda.
  27. ^ Hamiti, M., & Kastrati, R. (2014). Přizpůsobení eSpeak pro převod textu na řeč v albánštině. International Journal of Computer Science Issues (IJCSI), 11(4), 21.
  28. ^ A b C d E F G h i j k l m n Ó p q r s t u proti w X y z aa ab ac inzerát ae af ag ah ai aj ak al dopoledne an ao ap Kayte, S., & Gawali, D. B. (2015). Marathi Speech Synthesis: A review. International Journal on recent and Innovation Trends in Computing and Communication, 3 (6), 3708-3711.
  29. ^ Pronk, R. (2013). Přidání podpory syntézy japonského jazyka do systému eSpeak. University of Amsterdam.
  30. ^ Mohanan, S., Salkar, S., Naik, G., Dessai, N.F., & Naik, S. (2012). Čtečka textu pro jazyk Konkani. Automatizace a autonomní systém, 4(8), 409-414.
  31. ^ Kaur, R. a Sharma, D. (2016). Vylepšený systém pro převod textu na řeč pro jazyk Punjabi pomocí eSpeak. International Research Journal of Engineering and Technology, 3(4), 500-504.

externí odkazy