उदाहरण के लिए हमने टीटीएस को किस तरह से शब्दकोश में चुना है

पहेली अंग्रेजी में शब्दकोश उपयोगकर्ताओं को ऑडियो और वीडियो पहेलियाँ, पॉडकास्ट, फिल्मों, टीवी शो और गीतों के साथ-साथ शब्दावली सीखने में मदद करता है। शब्दकोश में, अनुवाद शब्दों और वाक्यांशों के ऑडियो उदाहरणों के साथ होते हैं। ध्वनि के लिए, हम लाइव स्पीकर और टीटीएस की रिकॉर्डिंग का उपयोग करते हैं - पाठ से भाषण प्रणाली, पाठ से भाषण सिंथेसाइज़र। आज हम आपको बताएंगे कि हमने कैसे वोकलवेयर टीटीएस इंजन को चुना, क्यों हम इसके बजाय अमेज़ॅन पोली सिस्टम को कनेक्ट करना चाहते हैं, और एक व्यक्ति क्या कार्यों को रोबोट से बेहतर हल कर सकता है।


डिक्शनरी में, हमने विभिन्न उच्चारणों, टाइमबेर, उच्चारण विकल्पों के साथ 20 से अधिक आवाज़ें शामिल की हैं। विभिन्न भाषण गति वाले नर और मादा की आवाजें सुनी जाती हैं। "उद्घोषक" के नाम और मूल देश हैं - संयुक्त राज्य अमेरिका, ग्रेट ब्रिटेन या ऑस्ट्रेलिया। उच्चारण विकल्प उपयोगकर्ताओं को विदेशी भाषण बोलने और अनुभव करने में मदद करते हैं। इस तरह से एक शब्द के लिए उच्चारण स्विच होता है:

कैसे सही टीटीएस खोजने के लिए

शब्दकोश की कार्यक्षमता के आधार पर, हमें एक टीटीएस की आवश्यकता है जो कम से कम तीन उच्चारणों का समर्थन करता है: अमेरिकन (जनरल अमेरिकन), ब्रिटिश (प्राप्त उच्चारण) और ऑस्ट्रेलियाई। पुरुष और महिला आवाज़ों की आवश्यकता थी, और अधिमानतः प्रतिलेखन समर्थन।

हम टीटीएस की तलाश कर रहे थे, जो एक प्राकृतिक आवाज के करीब भाषण को संश्लेषित करता है, स्पष्ट ध्वनि पैदा करता है और उपयोगकर्ता की ओर से इंटरनेट कनेक्शन की गुणवत्ता पर बहुत अधिक मांग नहीं करता है। पहेली अंग्रेजी छात्र रूस के विभिन्न क्षेत्रों में रहते हैं, 2 जी और 3 जी के माध्यम से मोबाइल फोन से सेवा का उपयोग करते हैं। मैं चाहता था कि टीटीएस न केवल शब्दों को संश्लेषित करने में सक्षम हों, बल्कि अभिव्यक्ति के साथ वाक्यांशों को भी पढ़ें।

हमने 2015 में इस समस्या का ध्यान रखा, लेकिन पाया कि एक पर्याप्त टीटीएस आवश्यकता को ढूंढना लगभग असंभव है। बाजार में कई इंजन थे:

अकपीला - 34 भाषाओं में ग्रंथों को पहचान सकता है। विभिन्न उम्र, भावनाओं, लहजे के साथ 100 से अधिक संश्लेषित आवाज़ें। यह उच्च गुणवत्ता वाली ध्वनि उत्पन्न करता है।

स्वर - स्वर स्वाभाविक लगता है, वाणी स्पष्ट होती है। विभिन्न शब्दकोश स्थापित किए गए हैं, वॉल्यूम, गति और तनाव को समायोजित किया गया है।

eSpeak - 50 से अधिक भाषाओं का समर्थन करता है। सिंथेसाइज्ड भाषण परिपूर्ण नहीं है, लेकिन सुपाठ्य, औसत ध्वनि की गुणवत्ता है। नुकसान यह है कि संश्लेषित भाषण के साथ eSpeak फाइलें .wav प्रारूप में सहेजी जाती हैं, और वे बहुत सारे स्थान लेती हैं।

RSynth - कोई दस्तावेज नहीं, भाषण की गुणवत्ता औसत दर्जे की है।

त्योहार एक बहुभाषी भाषण संश्लेषण प्रणाली है, यह हमेशा स्थिर रूप से काम नहीं करता है।

वोकलवेयर - 20 भाषाओं में 100 से अधिक संश्लेषित आवाजें।

Acapela और Vocalizer ने केवल एंड्रॉइड पर काम किया, अन्य प्रणालियों ने समर्थन नहीं किया। इसके अलावा, वे उत्सव की तरह अस्थिर थे। ESpeak और RSynth इंजन फिट नहीं हुए, क्योंकि शब्दकोश के लिए भाषण संश्लेषण की गुणवत्ता आदर्श होनी चाहिए।

इन विकल्पों में से, हमने वोकलवेयर इंजन को चुना, जो हमारे मानदंडों को पूरा करता था: विषमलैंगिक "उद्घोषक" की आवाज, प्रतिलेखन। तब इस इंजन ने मनमाने पाठ को संश्लेषित करने के सर्वोत्तम गुणों में से एक की पेशकश की। इसके साथ, हमने एक तिहाई से अधिक साउंडिंग बनाए। वोकलवेयर एकल शब्दों का अनुवाद करने का एक अच्छा काम करता है, लेकिन पूरे वाक्यांश नहीं। लाइव उद्घोषक उन्हें पहेली अंग्रेजी में अनुवाद करते हैं।

हम अमेज़न पोली को क्यों जोड़ना चाहते हैं

दुर्भाग्य से, वोकलवेयर समय की आवश्यकताओं के साथ नहीं रहता है।

• इस टीटीएस की भाषण संश्लेषण गुणवत्ता बाजार पर सबसे अच्छी नहीं है। हम उपयोगकर्ता को उच्चारण विकल्पों में से चुनने का अवसर देते हैं, और बेहतर आवाज अभिनय, छात्र के लिए वे अधिक उपयोगी होंगे।
• हम कभी-कभी वोकलवेयर क्रैश का अनुभव करते हैं। ऐसा होता है कि सेवा लगातार दो दिनों तक अनुपलब्ध है। यह अस्वीकार्य है।
• इस TTS में SSML भाषण संश्लेषण अनुप्रयोगों के लिए मार्कअप भाषा समर्थन नहीं है। SSML के माध्यम से, आप इंटोनेशन एक्सेंट, ठहराव की लंबाई और अन्य मापदंडों को समायोजित कर सकते हैं।

अमेज़ॅन में सबसे अच्छा संश्लेषण गुणवत्ता वाला सिस्टम दिखाई दिया, इसे अमेज़ॅन पोली कहा जाता है, एक और Google - क्लाउड टेक्स्ट-टू-स्पीच में विकास के तहत है।

अमेज़ॅन पोली सभी मामलों में वोकलवेयर से बेहतर है: यह दर्जनों भाषाओं, पुरुष और महिला आवाज़ें प्रदान करता है जो अधिक प्राकृतिक ध्वनि करते हैं। इंजन शब्दावली और एसएसएमएल टैग का समर्थन करता है जो आपको उच्चारण, मात्रा, पिच और गति को नियंत्रित करने की अनुमति देता है। पोली तेज है।

Google क्लाउड टेक्स्ट-टू-स्पीच अभी तक उत्पादन में नहीं गया है, बीटा परीक्षण में है। इंजन वेवनेट तकनीक पर आधारित है - बहुत जो Google अनुवाद और अन्य Google सेवाओं को चलाता है। वह शब्दों और वाक्यांशों को स्वाभाविक बनाने के लिए तंत्रिका नेटवर्क का उपयोग करता है। सेवा ध्वनि विकल्पों के साथ 30 आवाज़ों का विकल्प प्रदान करती है। प्रत्येक आवाज की पिच को समायोजित किया जाता है, मूल से 20 सेमी ऊपर या नीचे।

हमने दोनों प्रणालियों का परीक्षण किया और इस निष्कर्ष पर पहुंचे कि टीटीएस बाजार का प्रतिनिधित्व करने वाली छोटी कंपनियां अपने मौके से चूक गईं और पीछे रह गईं। वे उत्पाद को दिग्गजों - Google और अमेज़ॅन से बेहतर बनाने की संभावना नहीं रखते हैं। ये निगम आवाज मॉडल के लिए भारी मात्रा में डेटा और प्रसंस्करण शक्ति का उपयोग करते हैं, और धीरे-धीरे बाजार पर कब्जा कर लेते हैं।

अब हम अमेज़ॅन समाधान पर स्विच करने की योजना बनाते हैं, क्योंकि पॉली के भाषण संश्लेषण की गुणवत्ता वेवनेट की तुलना में है। हमारा पसंदीदा ब्रायन के नाम से ब्रिटिश अंग्रेजी के लिए "उद्घोषक" है, जो सबसे स्वाभाविक लगता है।


पॉलीनेट के विपरीत, पॉली भी, रूसी भाषण को संश्लेषित करता है। इस टीटीएस में आयरिश और भारतीय उच्चारण के साथ अंग्रेजी उच्चारण विकल्प हैं। ये उच्चारण साइट के अंग्रेजी संस्करण के लिए उपयोगी हैं, जो उन भारतीयों द्वारा उपयोग किया जाएगा जो अंग्रेजी सीखना चाहते हैं। इसी समय, सिस्टम सस्ता है।

इन टीटीएस के विश्लेषण के परिणामस्वरूप, हमने निकट भविष्य में पोली से अतिरिक्त आवाज़ों को जोड़ने की योजना बनाई। पुराने "उद्घोषक" भी अब बने रहेंगे: शब्दकोश का अर्थ यह है कि उपयोगकर्ता विभिन्न उच्चारण वेरिएंट सुन सकता है। लेकिन अकेले रोबोट की मदद से मिश्रित वाक्यांशों की आवाज अभिनय करना संभव नहीं है। सेवा पर, टीटीएस के माध्यम से कई वाक्यांश बनाए गए थे, लेकिन अभी भी पूरी तरह से लाइव स्पीकर को छोड़ना संभव नहीं है।

जब वाक्यांशों को ध्वनित किया जाता है तो रोबोट किसी व्यक्ति से कमतर क्यों होता है

पहेली अंग्रेजी में, वाक्यांशों को लाइव वक्ताओं द्वारा आवाज दी जाती है। मशीन सरल वाक्यों को आवाज देती है - कथा, एक सवाल के साथ, भावनात्मक, बिना भावनात्मक रंग के। वह अधिक जटिल पाठ का सामना नहीं कर सकती, वह कई विशिष्ट गलतियाँ करती है।

"पीछा"

यह उच्चारण एक समय में एक शब्द है। इस तरह के डबिंग भी लगभग भाषण के समान नहीं होते हैं, उनके पास उच्चारण, शब्दार्थ तनाव के आत्मनिरीक्षण, वाक्यांश विभाजन नहीं होते हैं, क्योंकि प्रत्येक शब्द तनाव के तहत उच्चारित होता है।

Google अनुवाद में TTS और एक लाइव उद्घोषक ने इसी वाक्यांश को पढ़ा।

रोबोट शब्दों के बीच छोटे-छोटे ठहराव करता है, जैसे कि "उनका खनन करना।"


उद्घोषक फिएटसाल उच्चारण का उपयोग करता है, वह अर्थ के अनुसार बड़ा वाक्य साझा करता है। वाक्यांश को कान से बेहतर माना जाता है।

लहजा

एक मशीन आमतौर पर वांछित इंटोनेशन को पुन: पेश नहीं कर सकती है। वाक्यांशों के उच्चारण में यह बिंदु कई अंग्रेजी सीखने वालों के लिए महत्वपूर्ण है। अक्सर, छात्रों को लगता है कि यह आवाज़ देने के लिए पर्याप्त है, और भाषण एक अंग्रेज की तरह लगेगा। ऐसा नहीं है। विदेशी गलत सूचना देता है। एक जीवित व्यक्ति एक वाक्य के आवश्यक हिस्सों को उजागर कर सकता है, यदि संदर्भ को इसकी आवश्यकता होती है। रोबोट ऐसा नहीं करेगा। उपरोक्त वाक्यांशों के उदाहरणों को फिर से सुनें और आप समझेंगे कि यह किस बारे में है।

प्रत्यक्ष भाषण

मशीन प्रत्यक्ष भाषण को पंचर नहीं करती है। वह पाठ पढ़ना जारी रखती है, समग्र चित्र को संरक्षित करती है।

यह कैसे एक मूल वक्ता पाठ पढ़ता है:


और इसलिए रोबोट:

बातचीत में भाव

रोबोट टुकड़ों को नहीं पहचानता है जिस पर माध्यम कुछ शब्दों पर जोर देता है, उदाहरण के लिए, जब वाक्यांश में एक विडंबना होती है। एक रोबोट आमतौर पर एक तटस्थ स्वर बनाए रखता है।

यह पिछले उदाहरणों में भी सुना जाता है।

गलत उच्चारण की गति

एक रोबोट में एक आम गलती फैल रही है, जो एक निषेध प्रभाव पैदा करती है। और, इसके विपरीत, एक शब्द या वाक्यांश का उच्चारण बहुत तेजी से पाठ का "चबाने" देता है।

अप्राकृतिक तनाव

रोबोट हर शब्द को जोर देकर पढ़ता है, जो लाइव भाषण के लिए अप्राकृतिक है।

इस उदाहरण में, रोबोट पूर्वसर्ग पर प्रकाश डालता है।


उद्घोषक बहाने को उजागर नहीं करता है, लाइव भाषण में, खेलने के साथ विलय करता है और खुद को अस्थिर करता है।


Google और अमेज़ॅन इंजन ने हमारे द्वारा परीक्षण किए गए अन्य टीटीएस से बेहतर वाक्यांशों को पढ़ा। विश्लेषण के परिणामों के अनुसार, बड़े निगमों से दोनों समाधान जटिल वाक्यांश के साथ छह वाक्यांशों का सामना नहीं कर सके और केवल पांच के साथ अच्छी तरह से मुकाबला किया। Google ने दो मानक "स्पीकर" खराब, दो संतोषजनक ढंग से पढ़े, और अमेज़ॅन ने खराब रूप से दो और संतोषजनक रूप से केवल एक ही पढ़ा।

Google का समग्र परिणाम थोड़ा बेहतर है, लेकिन अमेज़ॅन पोली की आवाज़ों में से कुछ अधिक दिलचस्प लग रहा था, क्योंकि उनकी आवाज़ और स्वर अधिक स्वाभाविक लग रहा था। सामान्य तौर पर, टीटीएस वाक्यांशों के उच्चारण को सौंपना पहले से ही संभव है, लेकिन सभी मामलों में नहीं और किसी विदेशी भाषा के छात्रों के लिए उत्पाद में नहीं। वे उच्चारण की गुणवत्ता और बारीकियों को महत्व देते हैं, जिसे रोबोट हमेशा व्यक्त नहीं कर सकता है।

निष्कर्ष

टीटीएस के साथ, आप अपनी सेवाओं के लिए अलग-अलग भाषाओं में अलग-अलग शब्दों को आवाज दे सकते हैं। नए अमेज़ॅन और Google समाधान छोटी कंपनी के इंजनों की तुलना में बेहतर करते हैं। लेकिन वाक्यांशों, विशेष रूप से कई वाक्यों के साथ जटिल वाक्य, उनके प्रदर्शन में अब तक अप्राकृतिक लगते हैं। रोबोट प्रत्यक्ष भाषण को भेद नहीं कर सकता, विडंबना व्यक्त कर सकता है, शब्दार्थ पर जोर दे सकता है, वाक्य के अंत में पृथक्करण प्रश्न के लिए सही इंटोनेशन चुन सकता है। यह हमारे उद्देश्यों के लिए अस्वीकार्य है, इसलिए हम लाइव वक्ताओं को ऐसी सामग्रियों को आवाज देने के लिए कहते हैं और इस बाजार में नए प्रस्तावों का परीक्षण करना जारी रखते हैं।

यदि आप अंग्रेजी पंप करना चाहते हैं, तो हमारे पास आइए।

हम ब्लॉग के पाठकों को "टास्क" की खरीद के लिए 700 रूबल का कूपन देते हैं ।