MyTTS Форум о преобразовании текста в речь 2021-02-27T12:50:42+03:00 https://mytts.info/app.php/feed/topic/1062 2021-02-27T12:50:42+03:00 2021-02-27T12:50:42+03:00 https://mytts.info/viewtopic.php?t=1062&p=5915#p5915 <![CDATA[Эмоции в голосах tts]]>
на сколько я понял, это косяки не самой Play5A, а самих голосов Яндекса которые самопроизвольно меняют пол в процессе синтеза?
Нет это именно в Play5A -
- Держи. Владей и пользуйся.
- Но это же рабство!
- О боги... тебе что, плохо от этого? Разве не о том все мечтают?
- Нет. Только раб мечтает о собственных рабах. Нормальный человек мечтает о том, чтобы его любимое дело приносило достаточный доход, чтобы ни о чем не заботиться.

Такие диалоги надо расставлять вручную - возможность предусмотрена - но очень неудобная...

Статистика: Добавлено wasyaka — 27 фев 2021 12:50

]]> 2021-02-27T10:35:47+03:00 2021-02-27T10:35:47+03:00 https://mytts.info/viewtopic.php?t=1062&p=5914#p5914 <![CDATA[Эмоции в голосах tts]]>
бывает кто-то и женским... и наоборот...
на сколько я понял, это косяки не самой Play5A, а самих голосов Яндекса которые самопроизвольно меняют пол в процессе синтеза?

Статистика: Добавлено tonio_k — 27 фев 2021 10:35

]]> 2021-02-27T08:17:35+03:00 2021-02-27T08:17:35+03:00 https://mytts.info/viewtopic.php?t=1062&p=5913#p5913 <![CDATA[Эмоции в голосах tts]]>
При стольких участниках, сам начинаешь путаться.И слишком короткий фрагмент.
272 ГБ устроит?
Play_5А. AudioBook
Ошибок распознавания - куча, но править вручную...
и три мужика разговаривают двумя голосами, бывает кто-то и женским... и наоборот...
Для меня всё равно - это, лучше одноголосого...

Статистика: Добавлено wasyaka — 27 фев 2021 08:17

]]> 2021-02-27T02:38:19+03:00 2021-02-27T02:38:19+03:00 https://mytts.info/viewtopic.php?t=1062&p=5910#p5910 <![CDATA[Эмоции в голосах tts]]> Но вот с эмоциями пока беда..
Подойдя к стоящему напротив меня Дженкинсу, он протянул руку к его поясу и нажал кнопку индикатора физсостояния.
– Выйти из строя!
– Сержант, всего-то навсего насморк! Фельдшер говорил…
– «Говорил»… Фельдшеру в десант не идти! И тебе с твоими 37,5° – тоже. Нашел время болтать. ВЫЙТИ ИЗ СТРОЯ!
Пока ни один голос tts не может эмоционально озвучить подобный текст... И здесь дело не в громкости голоса, а именно в эмоциональной составляющей.

Статистика: Добавлено Primkray — 27 фев 2021 02:38

]]> 2021-02-26T23:02:55+03:00 2021-02-26T23:02:55+03:00 https://mytts.info/viewtopic.php?t=1062&p=5909#p5909 <![CDATA[Эмоции в голосах tts]]>
Скиньте в личку wasyakа текст, он запишет, вы послушаете. Ссылку на программу скинул. Тестировать лучше сейчас вдруг завтра Яндекс не будет работать и экспериментировать будет некому
Прошу прощения если цель моего комментария была неверно понята.
Демонстрация красивая, не спорю. Но все что я хотел сказать, что невозможно устойчиво корректно разметить текст. Тем более таким наивным способом, как в Плей5. Поэтому и тестировать смысла нет.
Даже не надо опускаться на гендерный уровень, достаточно понять, что просто на персоны невозможно.

- <Person1>Дайте мне шанс, - <Person2>выкрикнул знакомый женский голос, и, обернувшись, я увидел вчерашнюю девушку.
- <Person1>Отстаньте от меня! - сказал я и пошел досыпать.
- <Person1>Что за жажда такая к математике? - фыркнула Веста, но затем на секунду задумалась

- <Person1>Они элементали! - словно дебилу, сказала фея. - Либлины!
- <Person1>О боги, дашь ты мне уже поспать? - <Person2>взмолилась фея, когда я позвал ее несколько раз. - <Person1>Что тебе опять?

Визуально разбил на группы, по похожести форматирования текста. В одном случае это две персоны, в другом одна. И таких примеров немеряно. Достаточно открыть первую попавшуюся книгу в случайном месте.

И напоследок вообще шедевр. Как бы сложен он не был, ошибка разбиения существенно ухудшит восприятие.
- <Person1>Что. <Person2>Новый хозяин. <Person3>Надо? - <Person4>спросили все трое, рассматривая меня с таким же интересом, как и я их.

Статистика: Добавлено Lecron — 26 фев 2021 23:02

]]> 2021-02-26T22:01:23+03:00 2021-02-26T22:01:23+03:00 https://mytts.info/viewtopic.php?t=1062&p=5908#p5908 <![CDATA[Эмоции в голосах tts]]>
Сможете описать алгоритм на словах, попробую реализовать в коде. Теоретически все инструменты для этого есть. Нет логики процесса.
wasyaka только пользователь сможет рассказать лишь об опыте использования программы Play_5 это программа по сути скрипт так что код читаемый. Я пытался разобраться в нём но немного с другой целью. Это было давно а сейчас не интересно. Скиньте в личку wasyakа текст, он запишет, вы послушаете. Ссылку на программу скинул. Тестировать лучше сейчас вдруг завтра Яндекс не будет работать и экспериментировать будет некому)))

Статистика: Добавлено tonio_k — 26 фев 2021 22:01

]]> 2021-02-26T20:58:06+03:00 2021-02-26T20:58:06+03:00 https://mytts.info/viewtopic.php?t=1062&p=5907#p5907 <![CDATA[Эмоции в голосах tts]]> wasyaka, Звучит красиво, но не показательно. При стольких участниках, сам начинаешь путаться. И слишком короткий фрагмент.
Хотелось бы знать:
* как будет распознана беседа троих людей? Желательно однополых. Длительная беседа. Из 2-3 десятков фраз. Не равномерно, а случайно чередующаяся, например 1-2-1-2-3-2-3-1
* как распознано, когда в нее встрянет ненадолго 4-ый или наоборот, навсегда исчезнет один из тройки? Например после первого примера -2-3-2-3-2-3.
* насколько каждый голос окажется привязан к персонажу на протяжении всей книги? Вдруг в следующем диалоге, голоса поменяются?

Своим мозгом, и то не всегда могу опознать без отдаленного контекста, который программа точно не учитывает.
- <male?>Ты что не спишь?</male> - <?>стоило мне вновь встать и двинуться на поиски туалета, как меня окликнул кто-то из спутников</?>.
- <fem>Дайте мне шанс,</fem> - <male>выкрикнул знакомый женский голос, и, обернувшись, я увидел вчерашнюю девушку</male>


Кстати, образец диалога 1-2-3-2-1. Пол персонажа "1" понятен только через 3 фразы на 4-ю.
- Держи. Владей и пользуйся.
- Но это же рабство!
- О боги... тебе что, плохо от этого? Разве не о том все мечтают?
- Нет. Только раб мечтает о собственных рабах. Нормальный человек мечтает о том, чтобы его любимое дело приносило достаточный доход, чтобы ни о чем не заботиться.
- Они элементали! - словно дебилу, сказала фея. - Либлины!

Сможете описать алгоритм на словах, попробую реализовать в коде. Теоретически все инструменты для этого есть. Нет логики процесса.
Чтение "на лету" разными локальными голосовыми голосами вряд ли можно реализовать без ощутимых пауз при смене голоса.
Не проблема. Кэширование. Реализуется самой простой очередью. Балаболка вроде даже уже умеет.

Статистика: Добавлено Lecron — 26 фев 2021 20:58

]]> 2021-02-26T20:38:45+03:00 2021-02-26T20:38:45+03:00 https://mytts.info/viewtopic.php?t=1062&p=5906#p5906 <![CDATA[Эмоции в голосах tts]]>
на форуме пробегала программа play5 в ней можно использовать 5 голосов Яндекса.
01.mp3
Кирилл Шарапов.
Мёртвый мир.
Поселенец.

Статистика: Добавлено wasyaka — 26 фев 2021 20:38

]]> 2021-02-26T19:41:11+03:00 2021-02-26T19:41:11+03:00 https://mytts.info/viewtopic.php?t=1062&p=5905#p5905 <![CDATA[Эмоции в голосах tts]]>
Жду когда появятся сети, способные разделить текст для начала на мысли героя и авторский текст, дальше разделять героев по полам, еще дальше по самим героям и в конце концов, определять их возраст и характер (брюзга, нейтральный, воодушелвенный, истеричный и т.д.).
на форуме пробегала программа play5 в ней можно использовать 5 голосов Яндекса. Есть активные пользователи фанаты именно этой программы т.к. она автоматически меняет голоса в зависимости от контекста. Можно в ней поковыряться и может алгоритм за основу взять и дальше развивать? Как минимум диалоги озвучить одной интонацией, а авторский текст другой. Или мужской на женский чередовать. Но если применять такие алгоритмы, то результат можно выводить только в аудиофайлы. Чтение "на лету" разными локальными голосовыми голосами вряд ли можно реализовать без ощутимых пауз при смене голоса.

Статистика: Добавлено tonio_k — 26 фев 2021 19:41

]]> 2021-02-25T15:00:39+03:00 2021-02-25T15:00:39+03:00 https://mytts.info/viewtopic.php?t=1062&p=5766#p5766 <![CDATA[Эмоции в голосах tts]]>
Пусть хотя бы научаться ударения ставить и числа склонять
Да уж... Похоже, яблони на Марсе быстрей зацветут :cry_baby:

Статистика: Добавлено flegont — 25 фев 2021 15:00

]]> 2021-02-25T14:39:27+03:00 2021-02-25T14:39:27+03:00 https://mytts.info/viewtopic.php?t=1062&p=5765#p5765 <![CDATA[Эмоции в голосах tts]]>
Поэтому хочется и от синтезатора бОльшей эмоциональности речи, чтобы не загружать свои мозги дополнительной работой
Ваши слова, в том числе предыдущие примеры, натолкнули кмк на интресную формулировку.
Эмоциональный синтез настолько же лучше равномерного, насколько размеченный знаками препинания текст лучше простой последовательности слов.
Мозг-то их все равно проставит, но зачем его так глупо нагружать?

Только этот спор все равно не имеет смысла. Настолько далеко мы от этого счастливого момента находимся. Пусть хотя бы научаться ударения ставить и числа склонять, что бы мы забыли словари как страшный сон. Это куда проще эмоций, но пока прогресс заметен слабо.

Статистика: Добавлено Lecron — 25 фев 2021 14:39

]]> 2021-02-25T14:28:01+03:00 2021-02-25T14:28:01+03:00 https://mytts.info/viewtopic.php?t=1062&p=5764#p5764 <![CDATA[Эмоции в голосах tts]]>
озвученная книга синтезатором=чтение книги глазами
Все верно. В этом контексте придраться нечему. Но чтобы понять, что объективной, единой для всех оценки "что лучше?" в принципе не существует, надо продолжить дальше:
чтение книги ?= прослушивание аудиокниги
озвученная книга "эмоциональным" синтезатором=прослушивание аудиокниги с чтецом.
озвученная синтезатором ?= озвученная "эмоциональным" синтезатором
Где все упирается в первый пункт. Насколько слушать нравится больше чем читать? Ровно настолько же эмоциональный синтез лучше равномерного. Кому-то все равно, кому-то больше, а кто-то на слух вообще не воспринимает. Это не лучше и не хуже. Это разное. На каждый плюс найдется минус и наоборот.
Лично для меня, зависит от качества имитации эмоций и количества ошибок. На определенной границе, перейду обязательно. А пока даже Филипп не интересен, Ольги хватает.

Статистика: Добавлено Lecron — 25 фев 2021 14:28

]]> 2021-02-25T14:23:17+03:00 2021-02-25T14:23:17+03:00 https://mytts.info/viewtopic.php?t=1062&p=5762#p5762 <![CDATA[Эмоции в голосах tts]]>
И передавать мог достаточно быстро, и чужую передачу свободно на слух воспринимал (и куда всё это подевалось?)
Так вот. Когда приобретаешь достаточный опыт, то чужая передача воспринимается не как пи-пиии-пи... а как человеческий голос! Мозг автоматически переводит пиканье в устную речь :surprise2: С эмоциями, кстати (которые зависят от настроения принимающего :big_smile: ).
Но это же не значит, что и книги надо писать, используя всего •−− ••• • −−• −−− −•• •−− •− ••• •• −− •−− −−− •−•• •− •−•−•− − −−− −−−• −•− ••− •• − •• •−• • •−•−•− −• •− −•• • •−•− ••• −••− •−•−•− −−−• − −−− −− −−− −−•• −−• −−−• •• − •− − • •−•• •−•− •−−• •−• −−− −•• • •−•• •− • − ••• •− −− всю остальную работу.
Поэтому хочется и от синтезатора бОльшей эмоциональности речи, чтобы не загружать свои мозги дополнительной работой :pardon:

Статистика: Добавлено flegont — 25 фев 2021 14:23

]]> 2021-02-25T14:00:50+03:00 2021-02-25T14:00:50+03:00 https://mytts.info/viewtopic.php?t=1062&p=5761#p5761 <![CDATA[Эмоции в голосах tts]]> По мне аудиоспектакль воспринимается на порядок лучше, чем однотонная и безэмоциональная речь синтезатора.

Статистика: Добавлено Primkray — 25 фев 2021 14:00

]]> 2021-02-25T13:20:45+03:00 2021-02-25T13:20:45+03:00 https://mytts.info/viewtopic.php?t=1062&p=5760#p5760 <![CDATA[Эмоции в голосах tts]]>
залить содержимое кипятком и подождать 5 минут
товарищи велика россия а отступать некуда позади москва
объявление продаются детские ботиночки не ношеные
не согласен. Текст он и есть текст. Он голый и без эмоций. Эмоции в текст могут добавить разве что смайлики или картинки с изображением описываемой в тексте образом. Смысл и правильное произношение мозг читателя подстраивает сам т.к. читатель "понимает". Если доверить синтезатору озвучить данный текст, то синтезатор озвучит текст "как есть", а наш мозг сделает то же самое как и при прочтении того же текста - доведет его до мозга. Мозг поймет о чем речь и создаст эмоциональную реакцию. Я имею в виду, что озвученная книга синтезатором=чтение книги глазами. Благодаря синтезатору мы только меняем "канал" по которому поступает информация в мозг (глаза меняем на уши). Дикторы - это озвучка с вкладыванием смысла от самого диктора как он понял (отсюда и отсебятина и навязывание "своего видения" ). Синтезатор лишь переводит текстовую информацию в слуховую "как она есть в тексте". Никакой эмоциональной составляющей тут нет и не должно быть. Все эмоции сам мозг слушателя генерирует.
Вот ваши примеры "как есть" озвученные Максимом:
Сработавшие правила:

CODE: 

$а=<phoneme ph="ˈa"/>$велика=<phoneme ph="vʲɪlʲɪkˈa"/>не ношеные=неношеные
объявление продаются детские ботиночки неношеные.mp3
товарищи велика россия а отступать некуда позади москва.mp3
залить содержимое кипятком и подождать 5 минут.mp3
Максим читает текст без пауз между словами, а мозгу кажется, что нужные паузы или оттенки интонации он все же "как-то" "чуть чуть", да подставляет. Хотя на самом деле это наш мозг сам понимает что тут что то не так (не хватает знака) и начинает нам "подкидывать" ощущение, что какие то особые интонации, достаточные что бы понять как правильно должно звучать предложение, всё же присутствуют. Или это Максим лучше меня понимает как без запятых правильно должно звучать? или это совпадение? или я настолько привык к Максиму, что мой мозг сам дорисовывает то, чего на самом деле нет? Что еще раз говорит в пользу того, что как и при чтении, так и при прослушке - работает мозг.

А когда мы поднимаем вопрос о том, что хотелось бы добавить эмоций, приблизить к дикторскому повествованию, то надо понимать, что дикторы это упрощенная часть высокого искусства театра и кино. Кино и пьесы транслируются на основании тех же книг, но пОнятые человеком и как человеком пОняты - так (с отсебятиной) и транслируется нам. Дай синтезатору самому вставлять эмоции и мы получим не чтение книги, а ее "интерпретацию".
А вот синтетический голос не сделает разницы между обороной москвы и приготовлением доширака
И, самое сложное, даже если все слова в тексте имеют нейтральную окраску, их расположение, определяющее смысл текста, эту окраску сможет добавить.
короче, синтезатор ничего не должен понимать - это не его задача, а задача слушателя.

офтоп: А вот когда ИИ научат "понимать" что он читает, с этого момента ИИ начнет ДИКТОВАТЬ нам то, что и как мы должны понимать (апокалипсис). А кто диктует для ИИ - тот будет править миром :butcher:

Статистика: Добавлено tonio_k — 25 фев 2021 13:20

]]>