Mi az Irodori-TTS? Funkciók és használati útmutató egyszerűen

Milyen AI felolvasó szoftver az Irodori-TTS?

Sokan kíváncsiak lehetnek az új „Irodori-TTS” AI felolvasó szoftverre.

Ebben a cikkben érthetően elmagyarázzuk az Irodori-TTS jellemzőit, képességeit, a fontos tudnivalókat és a használatát.

Ezenkívül azoknak, akik úgy érzik, hogy a „beállítás bonyolultnak tűnik”, bemutatunk egy telepítés nélkül, azonnal használható beszédszintézis módszert is.

Amire ebből a cikkből fény derül:

1. Milyen szoftver az Irodori-TTS?
2. Mire képes az Irodori-TTS, és mik a korlátai?
3. Az Irodori-TTS használata (a beállítástól a hang finomhangolásáig)
4. Javasolt módszer, ha a környezet kiépítése nehézséget okoz

Mi az az Irodori-TTS? A japán AI beszédszintetizáló szoftver bemutatása

Először is röviden ismertetjük az Irodori-TTS AI beszédszintetizáló szoftver főbb jellemzőit.

Az Irodori-TTS egy helyileg futtatható AI beszédszintézis modell

Az Irodori-TTS egy kifejezetten a japán nyelvre optimalizált AI beszédszintetizáló szoftver.

Fejlesztője Aratako, és nyílt forráskódú (MIT licenc) formában, ingyenesen elérhető.

Legnagyobb jellemzője, hogy „lokális működésre” képes, vagyis a beszédszintézis teljes folyamata kizárólag a saját PC-jén zajlik.

Mivel a hanggenerálás minden folyamata a helyi számítógépen történik, a szövegek és a generált hangadatok nem kerülnek külső szerverekre.

Az első beállítás után internetkapcsolat nélkül is generálhat hangot, és a generálások száma sincs korlátozva.

Azonban a beállításhoz olyan programozói eszközökre van szükség, mint a Python vagy a Git.

Valamint a gyors működéshez GPU-val (grafikus kártyával) felszerelt, nagy teljesítményű PC ajánlott.

Mire képes az Irodori-TTS, és mire nem

A következőkben az Irodori-TTS előnyeit és korlátait mutatjuk be.

Amire az Irodori-TTS képes

Mivel az Irodori-TTS helyi környezetben fut, bármennyi hangot generálhat korlátozások nélkül.

Az első beállítás után internetkapcsolat nélküli környezetben is szabadon készíthet hangokat.

Több módszer is rendelkezésre áll a hang jellegének meghatározására; a caption funkcióval például pusztán szöveges utasításokkal létrehozhatja az Önnek tetsző hangszínt.

Lehetőség van továbbá hangklónozásra saját hangminták alapján, vagy érzelmek kifejezésére emojik segítségével.

Az MIT licencnek köszönhetően a generált hangok kereskedelmi célú felhasználása is megengedett.

Az Irodori-TTS korlátai

Ugyanakkor az Irodori-TTS használata előtt érdemes tisztában lenni néhány fontos tényezővel.

Egy alkalommal kb. 30 másodpercnyi hang készíthető

Egyetlen generálással maximum kb. 30 másodpercnyi szöveg olvasható fel.

Hosszabb szövegek esetén a szöveget fel kell osztani, és több részletben kell legenerálni.

Nehéz pontosan a kívánt hangot vagy beszédstílust elérni

Az Irodori-TTS nagy szabadságot ad, de cserébe nincsenek benne előre beállított alapértelmezett hangok.

Ezért ha nem ad meg captiont vagy referenciahangot, a generált hang neme és kora minden alkalommal véletlenszerűen változhat.

Ha ugyanazon a hangon szeretne felolvastatni, referenciahangot kell betöltenie.

Ezenkívül a hanglejtés és az intonáció kézi finomhangolására nincs külön funkció.

Csak a japán nyelvet támogatja

A támogatott nyelv kizárólag a japán; angol vagy más idegen nyelveket nem kezel.

Emellett előfordulhatnak hibák a kanjik olvasásakor is, amire figyelni kell.

GPU-val felszerelt, nagy teljesítményű PC ajánlott

A PC specifikációitól függően a hanggenerálás sok időt vehet igénybe.

GPU nélküli számítógépeken még egy rövid mondat generálása is körülbelül 1 percig tarthat.

Az olyan belépő szintű processzoroknál, mint a Celeron vagy az N100, a használat már-már nehézkesnek érezhető.

Az Irodori-TTS használata (a beállítás folyamata)

Most röviden ismertetjük az Irodori-TTS használatát.

A beállítás folyamata a következő:

1. A szükséges szoftverek telepítése
2. Munkamappa létrehozása
3. Az Irodori-TTS klónozása a GitHub-ról
4. A szükséges csomagok telepítése
5. Az Irodori-TTS elindítása
6. Az AI modell betöltése
7. Szöveg felolvasása

1. Az Irodori-TTS-hez szükséges szoftverek telepítése

Az Irodori-TTS beállításához előkészületekre van szükség.

Először telepítse ezt a három eszközt:

• Python 3.10 vagy újabb: programozási nyelv
• Git: verziókezelő rendszer (az Irodori-TTS letöltéséhez szükséges)
• uv: Python csomagkezelő

A Python, Git és uv telepítéséhez kattintson jobb gombbal a Start menüre, majd válassza a „Terminál” (Terminal) lehetőséget (nem szükséges rendszergazdaként futtatni).

Ekkor megnyílik a terminál (PowerShell) ablaka.

Ebben az ablakban írja be és futtassa a következő parancsokat:

winget install --id Git.Git -e

winget install --id=astral-sh.uv -e

Ezzel telepítette az Irodori-TTS beállításához szükséges alapvető eszközöket.

※ A Python-t az uv kezeli, így az a beállítás során automatikusan telepítésre kerül.

A telepítés után zárja be a terminált (PowerShell), majd nyissa meg újra (hogy az elérési utak frissüljenek).

2. Munkamappa létrehozása

Ezután hozzon létre egy munkamappát.

Ide kerül majd telepítésre az Irodori-TTS.

Példánkban a C meghajtó gyökerében hoztunk létre egy „irodori-tts” nevű mappát.

A mappa létrehozása után a terminálban lépjen be ebbe a mappába.

cd C:\irodori-tts

3. Az Irodori-TTS klónozása a GitHub-ról

Írja be a következő parancsot a terminálba az Irodori-TTS tárhelyének (repository) klónozásához a GitHub-ról:

git clone https://github.com/Aratako/Irodori-TTS.git

A klónozás pár másodperc alatt befejeződik.

Írja be a következő parancsot, hogy belépjen a klónozott tárhely mappájába:

cd Irodori-TTS

4. A szükséges csomagok telepítése

Írja be és futtassa az alábbi parancsot az Irodori-TTS futtatásához szükséges csomagok telepítéséhez:

uv sync

Mivel nagyszámú csomagot kell letölteni és telepíteni, ez eltarthat egy ideig.

Maga a Python is ekkor kerül telepítésre.

A letöltés és telepítés ideje alatt ne zárja be a terminál ablakát.

Közel 3 GB-nyi adat kerül letöltésre, ezért javasolt stabil internetkapcsolat mellett elvégezni a beállítást.

5. Az Irodori-TTS elindítása

A csomagok letöltése és telepítése után a beállítás befejeződött.

Indítsa el az Irodori-TTS-t.

Futtassa az alábbi parancsot, és várjon egy keveset az indulásig:

uv run python gradio_app.py --server-name 0.0.0.0 --server-port 7860

Ha a terminálban az alábbi üzenet jelenik meg, az indítás sikeres volt:

Running on local URL: http://0.0.0.0:7860

Nyisson meg egy webböngészőt, és keresse fel a http://localhost:7860 címet.

Ekkor megnyílik az Irodori-TTS kezelőfelülete (WebUI).

6. Az AI modell betöltése

A szöveg felolvasásához használt AI modell betöltéséhez kattintson a „Load Model” gombra.

Az első használatkor a gomb megnyomása után megkezdődik az AI modell letöltése.

Amikor a Model Status mezőben (a következő képen pirossal bekeretezett rész) megjelenik a befejező üzenet, az AI modell betöltése kész.

7. Szöveg felolvasása az Irodori-TTS segítségével

Az Irodori-TTS-ben megadhatunk instrukciókat a felolvasás módjára, például érzelmekre vonatkozóan, de először példaként próbáljuk meg instrukciók nélkül.

Görgessen le a szövegbeviteli mezőhöz, és írja be a felolvasni kívánt szöveget.

Ezúttal a következő mondatot próbáljuk ki: „こんにちは、これはイロドリTTSで作成された音声です。” (Jó napot, ez egy Irodori-TTS-sel készült hang.)

(Mivel az „Irodori-TTS” latin betűs írásmóddal nem mindig volt helyesen felolvasva, katakanával írtuk be: „イロドリTTS”)

A „Generate” gombra kattintva megkezdődik a hanggenerálás.

Az Irodori-TTS a helyi PC CPU-ját vagy GPU-ját (grafikus kártyáját) használja a hang generálásához.

Ezért a generálás ideje nagyban függ a számítógép teljesítményétől.

Ebben a tesztben egy GPU nélküli laptopot használtunk, így ez a rövid szöveg is körülbelül 1 percet vett igénybe.

Referencia: A tesztgenerálás CPU: Ryzen 5 4650U, Memória: DDR4 32GB, Windows 11 Pro 24H2 környezetben történt.

A generálás végeztével megjelenik a hanghullámforma, és a hang lejátszhatóvá válik.

Példa a „こんにちは、これはイロドリTTSで作成された音声です。” felolvasására:

Ha a meghallgatás után elégedett, a letöltés gombra (lefelé mutató nyíl ikon) kattintva mentheti a hangfájlt.

A hangfájl WAV formátumban kerül mentésre.

Ezzel sikeresen szintetizált hangot az Irodori-TTS segítségével.

Az Irodori-TTS hangjának finomhangolása

Az Irodori-TTS-ben különféle módokon szabályozhatja a nemet, az érzelmeket és egyéb kifejezésmódokat.

Érzelmi kifejezés megadása emojikkal

A szövegbeviteli mező alatti „Emoji Palette” gombra kattintva választhat emojikat.

Minden emojihoz tartozik egy-egy érzelmi kifejezés:

• 😊 Vidáman, boldogan
• 😭 Zokogva, sírós hangon
• 😰 Sietve, zaklatottan
• ⏩ Hadarva
• 📖 Narráció, monológ

Elég egy emojit tenni a szövegbeviteli mezőbe, és a szoftver a megadott érzelemmel fogja felolvasni a szöveget.

Példa a „😊 こんにちは、これはイロドリTTSで作成された音声です。” felolvasására:

Példa a „📖 こんにちは、これはイロドリTTSで作成された音声です。” felolvasására:

Azonban pusztán az emojik megadásával a nemet vagy az életkort nem lehet konkrétan meghatározni.

Referenciahang betöltése azonos hangszín eléréséhez

Az Irodori-TTS-ben lehetőség van egy referenciahangfájl betöltésére, így a szoftver azt a hangot veszi alapul a felolvasáshoz.

A referenciahangot az „音声をここにドロップ - または - クリックしてアップロード” (Dobja ide a hangot - vagy - kattintson a feltöltéshez) feliratú résznél töltheti be.

Így nemcsak ugyanazt a hangszínt kapja meg, hanem gyakran tisztább hangminőséget is érhet el ahhoz képest, mintha semmit sem adna meg.

A felolvasási stílus közvetlen szabályozása a caption funkcióval

Az Irodori-TTS-ben szövegesen is megadhatja, hogy milyen hangon szeretné a felolvasást.

A caption funkció használatához a „VoiceDesign változatot” kell elindítani, amihez a terminálban használt parancs is megváltozik:

uv run python gradio_app_voicedesign.py --server-name 0.0.0.0 --server-port 7861

E parancs futtatásával elindul a VoiceDesign változat kezelőfelülete.

Mivel a VoiceDesign változat más AI modellt használ, mint az alapváltozat, az első használatkor a „Load Model” gombra kattintva le kell töltenie ezt a külön modellt is.

Az AI modell mérete körülbelül 2 GB, ezért javasolt stabil internetkapcsolat mellett letölteni.

A VoiceDesign kezelőfelületén található egy „Caption / Style Prompt (optional)” szövegdoboz.

Ide írhatja be mondatokban, hogy milyen hangot szeretne:

• Olvassa fel egy nyugodt női hangon, közvetlen stílusban, lágyan és természetesen.
• Beszéljen egy energikus férfi hangján, vidáman és érthetően.
• Olvassa fel egy mély férfihangon, szenvtelenül, mint egy hírolvasó.

Így pontosan meghatározhatja a hang jellegét.

Például az „Olvassa fel egy nyugodt női hangon, közvetlen stílusban, lágyan és természetesen.” (japánul megadva) instrukcióval ilyen hangot kaptunk:

Példa a „nyugodt női hang...” instrukcióval:

Ebben az esetben is tiszta és jól érthető hangot sikerült generálni.

Azonban a caption funkciónak is van egy hátulütője.

A caption funkció a többi módszerhez képest sokkal több időt vesz igénybe a hang generálásához.

A tesztelt laptopon ennek a rövid mondatnak a generálása körülbelül 5 percig tartott.

A caption funkció használatához kifejezetten ajánlott egy GPU-val felszerelt, csúcskategóriás PC.

Mi történik, ha angol szöveget próbálunk felolvastatni?

Az Irodori-TTS egy kizárólag japán nyelvre tervezett szoftver.

Mi történik vajon, ha angol szöveget adunk meg neki?

Próbaként írjunk be egy egyszerű angol mondatot.

Példa a „Hello, this is a voice recording created using Irodori-TTS.” felolvasására:

Amint hallható, a Hello-t „Haro-” katakana-kiejtéssel mondta, a „recording” részt pedig felismerhetetlenül ejtette ki, így nem sikerült a helyes felolvasás.

Ha angol szöveget szeretne felolvastatni, javasolt olyan AI felolvasó szolgáltatást használni, amely támogatja az idegen nyelveket.

Javasolt beszédszintézis módszer, ha a „beállítás nehéznek tűnik”

Idáig olvasva talán sokan érzik úgy, hogy az Irodori-TTS beállítása kissé körülményes.

Ha valaki nem jártas a terminál kezelésében, a Python, Git és egyéb eszközök előkészítése, a csomagok telepítése és az AI modellek letöltése már önmagában is sok időt vehet igénybe.

Emellett GPU-val felszerelt PC nélkül egyetlen hanggenerálás túl sokáig tart, ami megnehezíti a videónarrációkhoz vagy hasonló célokhoz való felhasználást.

A hosszú szövegeket ráadásul kb. 30 másodperces részletekre kell bontani, és többször megismételni a generálást.

Azoknak, akik telepítés és beállítás nélkül szeretnének szövegből hangot készíteni, az alábbiakban bemutatunk egy böngészőben használható AI beszédszintézis szolgáltatást.

„Ondoku” – Telepítés nélkül használható AI hang

Ha a legújabb AI-val szeretne egyszerűen beszédet szintetizálni, az Ondoku AI beszédszintézis szolgáltatás a legjobb választás.

Az Ondoku egy olyan szolgáltatás, ahol elég megnyitni a böngészőt és beilleszteni a szöveget a hang létrehozásához.

PC-n, okostelefonon vagy táblagépen is azonnal és ingyenesen készíthet hangokat.

Mivel a hanggenerálás a felhőben (szerveroldalon) történik, nem probléma, ha a számítógépe nem rendelkezik GPU-val.

Férfi, női és gyermekhangok is kezdettől fogva rendelkezésre állnak, így referenciahangok vagy captionök nélkül is, egyszerű választással azonnal felolvastathat.

Hosszú szövegek felolvasása is akadálytalanul lehetséges.

Ráadásul az Ondoku az angol nyelvet is támogatja!

Mivel számos nyelven (például francia, spanyol, koreai, kínai stb.) elérhető, a japánon kívül más nyelvek felolvasására is használható.

Továbbá a következő generációs AI hanggal (OndokuBeta) még természetesebb felolvasást is megtapasztalhat.

Ha módszert keres a szövegek hanggá alakítására, miért nem próbálja ki az ingyenesen és egyszerűen használható Ondoku-t?

Az Ondoku és az Irodori-TTS különbségeinek összehasonlítása

Végezetül összehasonlítjuk az Ondoku és az Irodori-TTS főbb különbségeit.

Összegezve: az egyszerűség és az azonnali használat tekintetében az Ondoku, míg a nagy teljesítményű PC-vel rendelkező, hangszíneket aprólékosan kidolgozni vágyók számára az Irodori-TTS a megfelelő választás.

Azoknak, akiknek azonnal hangra van szükségük, idegen nyelvű felolvasást igényelnek, vagy okostelefonon/táblagépen szeretnék használni a szolgáltatást, az Ondoku-t ajánljuk.

Szintén az Ondoku a jobb választás azoknak, akik hosszú szövegeket szeretnének egyben felolvastatni, nem akarnak időt tölteni a beállításokkal, vagy nincs GPU a számítógépükben.

Mivel elég csak megnyitni a böngészőt a kiváló minőségű hanggeneráláshoz, miért nem próbálja ki az Ondoku-t ingyen?

Összefoglaló: Irodori-TTS jellemzői, beállítása és használata

Ebben a cikkben a japán nyelvre specializálódott, lokálisan futtatható AI beszédszintetizáló szoftvert, az Irodori-TTS-t mutattuk be.

Az Irodori-TTS vonzó eszköz azok számára, akik szeretik a részletes hangbeállításokat, mint például a hangklónozás, a caption alapú hangtervezés vagy az emojikkal történő érzelemszabályozás.

Ugyanakkor a beállítási és használati módja inkább haladóknak való, mivel Python és Git környezet kiépítését igényli.

Emellett GPU nélküli számítógépeken a hanggenerálás sok időt vehet igénybe.

Azoknak, akik „azonnal és egyszerűen szeretnének beszédszintézist használni”, a böngészőből elérhető Ondoku-t javasoljuk.

Készítsen Ön is kiváló minőségű hangokat az egyszerűen használható, ingyenes AI beszédszintézissel!