В наших прошлых статьях про синтез речи мы дали много обещаний: убрать детские болячки, радикально ускорить синтез еще в 10 раз, добавить новые "фишечки", радикально улучшить качество.
Сейчас, вложив огромное количество работы, мы наконец готовы поделиться с сообществом своими успехами:
- Снизили размер модели в 2 раза;
- Научили наши модели делать паузы;
- Добавили один высококачественный голос (и бесконечное число случайных);
- Ускорили наши модели где-то примерно в 10 раз (!);
- Упаковали всех спикеров одного языка в одну модель;
- Наши модели теперь могут принимать на вход даже целые абзацы текста;
- Добавили функции контроля скорости и высоты речи через SSML;
- Наш синтез работает сразу в трех частотах дискретизации на выбор — 8, 24 и 48 килогерц;
- Решили детские проблемы наших моделей: нестабильность и пропуск слов, и добавили флаги для контроля ударения;
Это по-настоящему уникальное и прорывное достижение и мы не собираемся останавливаться. В ближайшее время мы добавим большое количество моделей на разных языках и напишем целый ряд публикаций на эту и смежные темы, а также продолжим делать наши модели лучше (например, еще в 2-5 раз быстрее).
Попробовать модель как обычно можно в нашем репозитории и в колабе.
Насколько интерфейс позволяет, прикрепляю пример звучания синтеза:
Больше примеров вы можете увидеть в более полной технической версии статьи на Хабре.
Круто
Превосходный результат! Авторы молодцы.
Александр, а когда планируется вывести продукт на рынок для обычных и пользователей? Я имею в виду платформу с интерфейсом для обычных пользователей?
Если речь про b2c - то скорее всего никогда. Мы стараемся не работать с физиками на коммерческой основе.
В качестве пиара наверное будет что-то типа телеграм бота.
Ясно. Жалко. :(
Александр, можно ли создать модель своего голоса? Для дальнейшего коммерческого использования.
Да, можно. Напишите мне в телеграм, обсудим.
Между буквами? А зачем??
Между словами
Так у вас между буквами паузы, Вы что, не слышите?