Irodori-TTS: Co to jest? Funkcje, uwagi i instrukcja obsługi

Jakim oprogramowaniem lektorskim AI jest Irodori-TTS?

Wiele osób może być ciekawych nowego oprogramowania lektorskiego AI o nazwie „Irodori-TTS”.

W tym artykule wyjaśnimy w przystępny sposób cechy, możliwości, uwagi oraz sposób użycia Irodori-TTS.

Dodatkowo, dla osób, które uważają, że „konfiguracja wydaje się trudna”, przedstawiamy metodę syntezy mowy, z której można korzystać natychmiast bez konieczności instalacji.

Czego dowiesz się z tego artykułu

1. Jakim programem jest Irodori-TTS?
2. Co można zrobić w Irodori-TTS i na co uważać
3. Jak używać Irodori-TTS (od konfiguracji po regulację głosu)
4. Rekomendowana metoda, gdy budowa środowiska jest zbyt trudna

Co to jest Irodori-TTS? Wyjaśnienie japońskiego oprogramowania do syntezy mowy AI

Na początek krótko wyjaśnimy cechy Irodori-TTS jako oprogramowania do syntezy mowy AI.

Irodori-TTS to model syntezy mowy AI działający lokalnie

Irodori-TTS to oprogramowanie do syntezy mowy AI wyspecjalizowane w języku japońskim.

Twórcą jest Aratako, a projekt został udostępniony bezpłatnie jako open source (licencja MIT).

Największą cechą jest możliwość „działania lokalnego”, co oznacza, że proces syntezy mowy odbywa się w całości na własnym PC.

Ponieważ całe przetwarzanie generowania dźwięku odbywa się na komputerze użytkownika, tekst ani wygenerowane dane głosowe nie są przesyłane na zewnętrzne serwery.

Po wstępnej konfiguracji głosy można generować bez połączenia z Internetem, a liczba generowań nie jest ograniczona.

Należy jednak pamiętać, że konfiguracja wymaga narzędzi programistycznych, takich jak Python czy Git.

Ponadto, do szybkiego działania zalecany jest wysokowydajny komputer wyposażony w GPU (kartę graficzną).

Co można, a czego nie można zrobić w Irodori-TTS

Następnie omówimy możliwości i ograniczenia Irodori-TTS.

Co można zrobić w Irodori-TTS

Irodori-TTS działa w środowisku lokalnym, więc można generować głos dowolną ilość razy bez ograniczeń.

Nawet w środowisku bez dostępu do Internetu, po zakończeniu wstępnej konfiguracji, można swobodnie tworzyć dźwięki.

Istnieje wiele sposobów instruowania, jaki dźwięk ma zostać utworzony, a dzięki funkcji caption można stworzyć pożądaną barwę głosu za pomocą samych instrukcji tekstowych.

Możliwe jest również odtworzenie posiadanego głosu poprzez klonowanie głosu lub dodanie ekspresji emocjonalnej za pomocą emoji.

Dzięki licencji MIT możliwe jest komercyjne wykorzystanie wygenerowanego dźwięku.

Uwagi dotyczące Irodori-TTS

Z drugiej strony, przed użyciem Irodori-TTS warto poznać pewne ograniczenia.

Jednorazowo można wygenerować nagranie o długości do ok. 30 sekund

W jednym procesie generowania można odczytać tekst o długości do około 30 sekund.

Jeśli chcesz odczytać długi tekst, musisz go podzielić i generować wielokrotnie.

Trudno uzyskać dokładnie taki głos i sposób mówienia, jak się zamierzało

Irodori-TTS oferuje dużą swobodę, ale w zamian nie posiada przygotowanych domyślnych głosów (głosów bazowych).

Z tego powodu, jeśli nie określisz caption lub głosu referencyjnego, płeć i wiek będą zmieniać się losowo przy każdym generowaniu.

Aby czytać tym samym głosem, należy załadować głos referencyjny.

Ponadto program nie posiada funkcji ręcznej regulacji akcentu czy intonacji.

Obsługiwany język to wyłącznie japoński

Obsługiwanym językiem jest tylko japoński; języki obce, takie jak angielski, nie są wspierane.

Należy również uważać, ponieważ mogą wystąpić błędy w odczycie znaków kanji.

Zalecany komputer o wysokiej specyfikacji z GPU

W zależności od specyfikacji PC, generowanie dźwięku może zająć dużo czasu.

Na komputerach bez GPU wygenerowanie nawet krótkiego zdania zajmuje około 1 minuty.

Uważamy, że na procesorach klasy podstawowej, takich jak Celeron czy N100, praktyczne zastosowanie jest trudne.

Jak używać Irodori-TTS (przebieg konfiguracji)

Poniżej krótko wyjaśnimy, jak korzystać z Irodori-TTS.

Ogólny przebieg konfiguracji wygląda następująco:

1. Instalacja wymaganego oprogramowania
2. Utworzenie folderu roboczego
3. Sklonowanie Irodori-TTS z GitHub
4. Instalacja niezbędnych pakietów
5. Uruchomienie Irodori-TTS
6. Załadowanie modelu AI
7. Odczytywanie tekstu

1. Instalacja wymaganego oprogramowania dla Irodori-TTS

Konfiguracja Irodori-TTS wymaga przygotowań.

Najpierw należy zainstalować te trzy elementy:

• Python 3.10 lub nowszy: Język programowania
• Git: System kontroli wersji (niezbędny do pobrania Irodori-TTS)
• uv: Menedżer pakietów Python

Aby zainstalować Python, Git i uv, kliknij prawym przyciskiem myszy menu Start i wybierz „Terminal” (nie ma potrzeby uruchamiania jako administrator).

Otworzy się okno terminala (PowerShell).

W tym oknie wpisz i wykonaj następujące polecenia:

winget install --id Git.Git -e

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

W ten sposób zainstalowałeś elementy niezbędne do konfiguracji Irodori-TTS.

※ Python jest zarządzany przez uv, więc zostanie zainstalowany automatycznie podczas konfiguracji.

Po instalacji zamknij terminal (PowerShell) i otwórz go ponownie (aby odświeżyć ścieżki dostępu „PATH”).

2. Utworzenie folderu roboczego

Następnie utwórz folder roboczy.

To tutaj zostanie zainstalowany Irodori-TTS.

W tym przykładzie utworzyliśmy folder o nazwie „irodori-tts” bezpośrednio na dysku C.

Po utworzeniu folderu przejdź do niego w terminalu.

cd C:\irodori-tts

3. Sklonowanie Irodori-TTS z GitHub

Wpisz w terminalu poniższe polecenie, aby sklonować repozytorium Irodori-TTS z GitHub.

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

Klonowanie repozytorium zajmie tylko kilka sekund.

Wpisz następne polecenie, aby przejść do folderu sklonowanego repozytorium.

cd Irodori-TTS

4. Instalacja niezbędnych pakietów

Wpisz i wykonaj poniższe polecenie, aby zainstalować pakiety niezbędne do działania Irodori-TTS.

uv sync

Pobieranie i instalowanie dużej liczby pakietów zajmie trochę czasu.

W tym kroku zostanie również zainstalowany sam Python.

Podczas pobierania i instalacji nie zamykaj okna terminala i poczekaj na zakończenie.

Pobieranych będzie blisko 3 GB danych, dlatego zalecamy konfigurację w miejscu z dobrym połączeniem internetowym.

5. Uruchomienie Irodori-TTS

Gdy pobieranie i instalacja pakietów dobiegną końca, konfiguracja jest gotowa.

Uruchom Irodori-TTS.

Wpisz i wykonaj poniższe polecenie, a następnie poczekaj chwilę na start.

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

Gdy w terminalu pojawi się poniższy komunikat, uruchamianie zostało zakończone.

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

Otwórz przeglądarkę internetową i wejdź pod adres http://localhost:7860.

Pojawi się ekran interfejsu Irodori-TTS (WebUI).

6. Załadowanie modelu AI

Aby załadować model AI używany do czytania tekstu, kliknij „Load Model”.

Przy pierwszym użyciu kliknięcie tego przycisku rozpocznie pobieranie modelu AI.

Gdy w polu Model Status (zaznaczonym na czerwono na poniższym obrazku) pojawi się komunikat o zakończeniu, model AI jest gotowy do pracy.

7. Odczytywanie tekstu w Irodori-TTS

Irodori-TTS pozwala na wydawanie instrukcji dotyczących sposobu czytania, w tym ekspresji emocjonalnej, ale najpierw spróbujmy odczytać tekst bez żadnych instrukcji.

Przewiń w dół do pola wprowadzania tekstu i wpisz zdanie, które chcesz usłyszeć.

W tym przykładzie odczytamy: „こんにちは、これはイロドリTTSで作成された音声です。” (Witaj, to jest głos utworzony w Irodori-TTS).

(Zapisanie „Irodori-TTS” alfabetem łacińskim mogło spowodować błędy w wymowie, więc użyliśmy zapisu katakaną „イロドリTTS”).

Kliknij przycisk „Generate”, aby rozpocząć generowanie dźwięku.

Irodori-TTS generuje dźwięk, korzystając z procesora (CPU) lub karty graficznej (GPU) Twojego komputera.

Z tego powodu czas generowania może się znacznie różnić w zależności od wydajności PC.

W tym przypadku generowanie na laptopie bez dedykowanego GPU zajęło około 1 minuty dla krótkiego zdania.

Odniesienie: Test przeprowadzono w środowisku CPU: Ryzen 5 4650U, RAM: 32GB DDR4, Windows 11 Pro 24H2.

Po zakończeniu generowania pojawi się przebieg fali dźwiękowej i będzie można odtworzyć nagranie.

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

Jeśli nagranie jest poprawne, naciśnij przycisk pobierania (ikona strzałki w dół), aby zapisać plik audio.

Plik zostanie zapisany w formacie WAV.

W ten sposób udało się zsyntetyzować mowę za pomocą Irodori-TTS.

Jak regulować głos w Irodori-TTS

Irodori-TTS umożliwia regulację płci, emocji i innych form ekspresji na różne sposoby.

Określanie emocji za pomocą emoji

Kliknięcie „Emoji Palette” pod polem tekstowym pozwala wybrać emoji.

Do poszczególnych emoji przypisane są konkretne emocje:

• 😊 radośnie, wesoło
• 😭 szloch, płacz
• 😰 w pośpiechu, zdenerwowanie
• ⏩ szybkie mówienie
• 📖 narracja, monolog

Wystarczy wstawić emoji do pola tekstowego, aby odczytać tekst z wybraną emocją.

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

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

Należy jednak pamiętać, że samo użycie emoji nie pozwala na konkretne określenie płci czy wieku.

Używanie głosu referencyjnego dla stałej barwy głosu

W Irodori-TTS możesz wczytać plik z głosem referencyjnym, aby system czytał tekst, wzorując się na nim.

Głos referencyjny wczytuje się w sekcji opisanej jako „Upuść dźwięk tutaj - lub - Kliknij, aby przesłać”.

Pozwala to nie tylko na zachowanie stałego głosu, ale także na uzyskanie czystszej jakości dźwięku w porównaniu do generowania bez żadnych instrukcji.

Bezpośrednia regulacja stylu czytania za pomocą funkcji caption

W Irodori-TTS można również bezpośrednio określić tekstowo, jakim głosem ma być czytany tekst.

Aby skorzystać z funkcji caption, należy uruchomić wersję „VoiceDesign”, co zmienia polecenie uruchamiania Irodori-TTS w terminalu.

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

Po wykonaniu tego polecenia uruchomi się interfejs wersji VoiceDesign.

Wersja VoiceDesign używa innego modelu AI niż wersja standardowa, dlatego przy pierwszym użyciu należy kliknąć „Load Model” i pobrać model osobno od wersji standardowej.

Model AI ma około 2 GB, więc zalecamy pobieranie go przy stabilnym połączeniu internetowym.

W interfejsie wersji VoiceDesign znajduje się pole tekstowe „Caption / Style Prompt (optional)”.

Tutaj wpisujesz opis głosu, jaki chcesz uzyskać.

• Spokojny kobiecy głos, czytający naturalnie i miękko, z bliskim dystansem.
• Energiczny męski głos, mówiący jasno i rześko.
• Niski męski głos, czytający beznamiętnie niczym prezenter wiadomości.

W ten sposób możesz sprecyzować parametry dźwięku.

Przykładowo, po wpisaniu „Spokojny kobiecy głos, czytający naturalnie i miękko, z bliskim dystansem.”, otrzymaliśmy taki wynik:

Przykład z użyciem caption: „Spokojny kobiecy głos, czytający naturalnie i miękko, z bliskim dystansem.”

W tym przypadku również udało się uzyskać wyraźny i łatwo zrozumiały głos.

Warto jednak pamiętać o jednym ograniczeniu funkcji caption.

Funkcja ta wymaga znacznie więcej czasu na wygenerowanie dźwięku niż pozostałe metody.

Podczas testu na laptopie wygenerowanie tego krótkiego zdania zajęło około 5 minut.

Przy korzystaniu z funkcji caption zalecany jest wysokowydajny komputer z GPU.

Co się stanie, gdy spróbujesz przeczytać tekst po angielsku?

Irodori-TTS to oprogramowanie obsługujące wyłącznie język japoński.

Co się zatem dzieje, gdy wprowadzimy tekst po angielsku?

Spróbujmy wpisać prosty przykład.

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

Jak słychać, słowo „Hello” zostało wypowiedziane z japońską wymową („Haro”), a słowo „recording” stało się niemal niezrozumiałe. Program nie poradził sobie poprawnie z tekstem angielskim.

Jeśli chcesz odczytywać teksty po angielsku, zalecamy skorzystanie z usług lektorskich AI obsługujących języki obce.

Rekomendowana metoda syntezy mowy, gdy „konfiguracja jest zbyt trudna”

Po przeczytaniu powyższych instrukcji niektórzy mogą uznać, że konfiguracja Irodori-TTS wydaje się nieco skomplikowana.

Dla osób nieprzyzwyczajonych do pracy w terminalu lub budowania środowiska Python, przejście przez wszystkie kroki może być czasochłonne.

Ponadto, bez komputera z GPU czas generowania jednego nagrania może być zbyt długi, by sprawnie tworzyć np. narrację do filmów.

W takiej sytuacji idealnym rozwiązaniem jest skorzystanie z głosów AI, które nie wymagają ani instalacji, ani konfiguracji.

Ondoku – głos AI dostępny bez instalacji

Gdy chcesz łatwo wygenerować mowę za pomocą najnowszej sztucznej inteligencji, polecamy serwis syntezy mowy AI Ondoku.

Ondoku to usługa, która pozwala tworzyć nagrania audio poprzez zwykłe wklejenie tekstu w przeglądarce.

Możesz natychmiastowo i bezpłatnie tworzyć głosy na komputerze, smartfonie lub tablecie.

Ponieważ generowanie dźwięku odbywa się w chmurze (na serwerze), nie ma znaczenia, czy Twój komputer posiada kartę graficzną GPU.

Dostępnych jest wiele gotowych głosów (męskich, żeńskich, dziecięcych), więc nie musisz przygotowywać głosów referencyjnych ani opisów – po prostu wybierasz głos i gotowe.

Możliwe jest również odczytywanie długich tekstów bez podziału.

Co więcej, Ondoku obsługuje język angielski!

Wspiera wiele języków, w tym francuski, hiszpański, koreański i chiński, więc idealnie nadaje się do czytania treści obcojęzycznych.

Możesz także przetestować jeszcze bardziej naturalne brzmienie dzięki głosom AI nowej generacji (OndokuBeta).

Jeśli szukasz sposobu na zamianę tekstu na mowę, wypróbuj Ondoku – to proste i darmowe narzędzie.

Porównanie różnic między Ondoku a Irodori-TTS

Na koniec zestawiamy główne różnice między Ondoku a Irodori-TTS.

Podsumowując: Ondoku wygrywa pod względem łatwości obsługi i szybkości startu, natomiast Irodori-TTS jest lepsze dla osób posiadających mocny sprzęt, które chcą precyzyjnie projektować barwę głosu.

Dla tych, którzy potrzebują nagrania „na już”, wymagają obsługi wielu języków lub chcą korzystać z narzędzia na smartfonie, polecamy Ondoku.

Będzie to również lepszy wybór dla osób, które nie chcą tracić czasu na konfigurację lub nie posiadają komputera z GPU.

Możesz generować wysokiej jakości głosy natychmiast po otwarciu przeglądarki, więc dlaczego nie zacząć od bezpłatnego przetestowania Ondoku?

Podsumowanie: Cechy, konfiguracja i sposób użycia Irodori-TTS

W tym artykule omówiliśmy Irodori-TTS – oprogramowanie do syntezy mowy AI działające lokalnie i wyspecjalizowane w języku japońskim.

Irodori-TTS to atrakcyjne narzędzie dla osób, które przykładają dużą wagę do ekspresji głosu dzięki funkcjom klonowania, projektowania barwy głosu (caption) czy kontroli emocji za pomocą emoji.

Należy jednak pamiętać, że metoda konfiguracji i obsługi jest przeznaczona dla zaawansowanych użytkowników i wymaga przygotowania środowiska Python oraz Git.

Co więcej, na komputerach bez GPU generowanie dźwięku zajmuje dużo czasu.

Dla tych, którzy chcą „korzystać z syntezy mowy łatwo i od zaraz”, rekomendujemy serwis Ondoku działający w przeglądarce.

Stwórz własne, wysokiej jakości nagrania audio, korzystając z tej prostej i darmowej syntezy mowy AI!

■ Oprogramowanie do syntezy mowy AI „Ondoku”

„Ondoku” to internetowe narzędzie do zamiany tekstu na mowę, z którego można korzystać bez żadnych kosztów początkowych.

• Obsługuje około 50 języków, w tym japoński, angielski, chiński, koreański, hiszpański, francuski i niemiecki.
• Dostępne zarówno z komputera, jak i smartfona
• Nadaje się do biznesu, edukacji, rozrywki itp.
• Nie wymaga instalacji, można z niej korzystać bezpośrednio w przeglądarce
• Obsługuje również odczyt z obrazów

Aby z niego skorzystać, wystarczy wpisać tekst lub przesłać plik ze strony. Generuj naturalne pliki dźwiękowe w ciągu kilku sekund. Możesz bezpłatnie używać syntezy mowy do 5000 znaków, więc wypróbuj ją najpierw.

Oprogramowanie do zamiany tekstu na mowę „Ondoku” może bezpłatnie odczytywać 5000 znaków miesięcznie za pomocą głosu AI. Możesz łatwo pobierać pliki MP3 i komercyjne wykorzystanie jest również możliwe. Jeśli zarejestrujesz się bezpłatnie, możesz bezpłatnie przekonwertować do 5000 znaków miesięcznie z tekstu na mowę. Wypróbuj Ondoku już teraz.

HP: ondoku3.com
Email: ondoku3.com@gmail.com