Test Karczmarza
Polski głos syntezy mowy z własnym fonemizatorem. Wytrenowany i wyeksportowany do ONNX. Postać i grafika pochodzą z mojej gry Przed Grunwaldem.
A witaj, witaj, mości panie! Co cię do naszej skromnej karczmy przygnało?
Kliknij „Posłuchaj”, a tutaj pojawi się przebieg tego, co usłyszysz.
Sieć i synteza razem, liczone w Twojej przeglądarce. To nie jest RTF.
Cztery kwestie w rejestrze karczmarza. Druga jest tu nie bez powodu: zawiera „w drodze” i „w karczmie”, czyli dokładnie ten przypadek, na którym eSpeak się myli.
Zadaj pytanie, a odpowie Bielik w roli karczmarza. Odpowiedź usłyszysz tym samym głosem. To ta sama para modeli co w grze: polski model językowy pisze kwestię, mój głos ją mówi.
Karczmarz nie powtórzy tekstu podanego przez rozmówcę. Pytanie i odpowiedź przechodzą przez Sójkę, klasyfikator treści szkodliwych z rodziny Bielika. Gdy coś ją zaniepokoi, karczmarz odmawia po swojemu.
Zamiast eSpeaka mam własny fonemizator. eSpeak myli między innymi przyimek „w” przed spółgłoską dźwięczną: w „w drodze” brzmi on jak [v], w „w karczmie” jak [f], a różnicy tej trzeba pilnować regułą, nie słownikiem wyjątków.
Model v4 jest trenowany na fonemach z mojego fonemizatora, nie na espeakowych. Fonemizacja i trening mówią więc tym samym alfabetem.
Trening VITS na własnym korpusie, eksport do ONNX, synteza bez połączenia z siecią. Głos działa na procesorze: na laptopie, na telefonie i na Raspberry Pi.
Fonemizator odtworzyłem w Kotlinie w aplikacji na Androida, żeby model dostawał na telefonie identyczne sekwencje co w treningu.
W grze tym samym głosem mówią karczmarz, kowal i zbrojny. Jeden model obsługuje trzy postacie, bo osobne dopiero wytrenuję.
0,50
RTF, mediana
0,7 s
do pierwszego dźwięku
Warunki pomiaru: Moto G72, synteza w całości na urządzeniu, bez połączenia z siecią. RTF poniżej 1,0 znaczy, że głos powstaje szybciej, niż trwa jego odsłuchanie.
Ta strona mierzy co innego. Tutaj synteza odbywa się po stronie serwera i wraca gotowym plikiem, więc odczyt „czas odpowiedzi” wyżej zawiera podróż przez sieć. Nie porównuj go z RTF z telefonu: to dwie różne wielkości.
