Antzoki-TTS: euskarazko ahots sintesi aurreratu eta teatrala
Xabi Ezpeleta programatzaile nekaezinaren beste ekarpen bat (astean bertan Evaleu aurkeztu dizuegu). Kasu honetan garatu duen Antzoki-TTS esperimentua dakarkizuegu hona. TTS bat edo Text-To-Speech testu bat idatzizko testua irakurtzen duen ahots automatikoen sistema bat da. Duela urte batzuk garatzen direla TTSak euskaraz, eta baita praktikan erabili ere, adibidez hedabide askok duten "entzun albiste hau" funtzioan. Sakatu botoi horiek, eta testuak entzuten ahal dira euskaraz, txukun eta ulergarri, baina doinu robotiko bereizgarri batekin. Ezpeletaren esperimentuak haratago joan nahi du: hiztunaren izaera, ezaugarri emozionalak eta paralinguistikoak definituz, naturaltasun gehiago eman TTS euskarazkoari.
Artikulu honetan azaldu du bere prozesua Ezpeletak. Alderdi teknikotik, honakoa irakurri diogu: DramaBox ereduan oinarrituta dagoela Antzoki-TTS, "zeina aldi berean LTX-2 bideo ereduan oinarritua izan den". Jatorrizko ereduaren gainean LoRA moldaketa bat entrenatu du Ezpeletak, euskararen ahoskera eta prosodia hobetzeko asmoz. Saltsa hauekin beharbada zaila da ulertzea nondik nora dabilen teknika, baina alderdi praktikotik, lehen emaitzak lortu ditu Ezpeletak, eta ikusgarriak iruditu zaizkigu.
Ulertu dugunez, bi elementurekin lan egiten du Antzerki-TTS-k:
- Erreferentziazko audio bat, apenas 10 segundu, sistemak ahotsaren tinbrea eta estiloa kopiatzen saiatzeko.
- "Zuzendari gidoia" deitzen dena, proposatutako irakurketaz gain, testua irakurtzeko instrukzioak ematen dituena, interpretazioa deskribatuz (emozioak, pausak, arnasketak).
Zuzendari gidoi horrek efektu teatralak lortzen ditu sortutako ahotsean, eta hortik jarriko zion izena inbentoari Ezpeletak: Antzerki TTS. Gidoiaren agindu hauek hobeto dabiltza oraingoz ingelesez idatziz gero.
Onena, adibideak irakurri eta entzutea:
A shadowy villain speaks with cold menace, “Nire lurretan sartu zara, morroi” He chuckles darkly, “Erruz ordainduko duzu.” His voice rises with fury, “Belaunikatu, edo suntsituko zaitut!!”
A bright-eyed girl spins in a field of wildflowers, her voice bubbling with pure, breathless wonder: “Aizu, aitona! Entzun duzu?!” She laughs, a sound as clear as a mountain stream. “Makina batek hitz egiten duela dirudi, baina hain da erreala!” She spreads her arms wide, looking up at the sky in disbelief. “Sinestezina da… adimen artifizialak nire ahotsa sortu du!!”
Atera kontuak. Azalpen gehiago, hemen; eta sistema bera euskal AA garapenetara dedikatua dagoen Itzune taldearen biltegian.
Erantzun
Sartu