Čo je Irodori-TTS? Funkcie, upozornenia a návod jednoducho

Aký typ AI softvéru na čítanie textu je Irodori-TTS?

Mnohí z vás sa pravdepodobne zaujímajú o nový AI softvér na čítanie textu s názvom „Irodori-TTS“.

V tomto článku zrozumiteľne vysvetlíme vlastnosti, možnosti, upozornenia a spôsob používania Irodori-TTS.

Okrem toho pre tých, ktorí majú pocit, že „nastavenie vyzerá náročne“, predstavíme aj metódu syntézy reči, ktorú môžete použiť ihneď bez potreby inštalácie.

Čo sa dozviete v tomto článku

1. Aký softvér je Irodori-TTS?
2. Čo Irodori-TTS dokáže a na čo si dať pozor
3. Ako používať Irodori-TTS (od nastavenia až po úpravu hlasu)
4. Odporúčaná metóda, ak je budovanie prostredia náročné

Čo je Irodori-TTS? Vysvetlenie japonského AI softvéru na syntézu reči

Na úvod stručne vysvetlíme vlastnosti Irodori-TTS a o aký typ AI softvéru na syntézu reči ide.

Irodori-TTS je lokálne bežiaci model AI syntézy reči

Irodori-TTS je AI softvér na syntézu reči špecializovaný na japonský jazyk.

Vývojárom je Aratako a softvér je voľne dostupný ako open-source (licencia MIT).

Najväčšou vlastnosťou je, že umožňuje „lokálnu prevádzku“, kedy sa celá syntéza reči odohráva iba vo vašom PC.

Keďže spracovanie generovania hlasu prebieha výlučne na vašom počítači, text ani vygenerované hlasové dáta sa neodosielajú na externé servery.

Po počiatočnom nastavení je možné generovať hlas bez pripojenia k internetu a počet generovaní nie je obmedzený.

Nastavenie však vyžaduje programovacie nástroje ako Python a Git.

Pre rýchle fungovanie sa odporúča výkonné PC vybavené GPU (grafickou kartou).

Čo Irodori-TTS dokáže a čo nedokáže

Ďalej si vysvetlíme, čo Irodori-TTS dokáže a aké sú jeho obmedzenia.

Čo Irodori-TTS dokáže

Keďže Irodori-TTS funguje v lokálnom prostredí, môžete generovať hlas neobmedzene veľakrát.

Aj v prostredí bez internetového pripojenia môžete po dokončení počiatočného nastavenia slobodne vytvárať hlasy.

Existuje viacero spôsobov, ako zadať inštrukcie pre tvorbu hlasu. Pomocou funkcie titulkov (captions) môžete vytvoriť hlasovú charakteristiku podľa vašich predstáv iba pomocou textových pokynov.

Okrem toho je možné pomocou klonovania hlasu reprodukovať váš vlastný hlas alebo pridať emócie pomocou emoji.

Vďaka licencii MIT je možné vygenerovaný hlas používať aj na komerčné účely.

Upozornenia k Irodori-TTS

Na druhej strane existujú aj určité upozornenia, ktoré by ste mali vedieť pred použitím Irodori-TTS.

Naraz vytvorený zvuk môže mať maximálne cca 30 sekúnd

V rámci jedného generovania je možné prečítať text v dĺžke približne 30 sekúnd.

Ak chcete nechať prečítať dlhý text, musíte ho rozdeliť na časti a generovať ho viackrát.

Dosiahnuť presne požadovaný hlas alebo spôsob reči je náročné

Irodori-TTS ponúka vysokú mieru slobody, no nemá predpripravené predvolené hlasy (základné hlasy).

Preto, ak nezadáte titulky alebo referenčný zvuk, pohlavie a vek sa môžu pri každom generovaní náhodne meniť.

Ak chcete text čítať stále rovnakým hlasom, musíte nechať softvér načítať referenčný zvuk.

Taktiež chýba funkcia na manuálne nastavenie intonácie alebo prízvuku.

Podporovaným jazykom je iba japončina

Podporovaným jazykom je výhradne japončina; cudzie jazyky ako angličtina nie sú podporované.

Taktiež je potrebné dávať pozor na to, že občas môže dôjsť k nesprávnemu prečítaniu znakov kandži.

Odporúča sa vysoko výkonné PC s GPU

V závislosti od špecifikácií PC môže generovanie hlasu trvať dlhšie.

Na PC bez GPU trvá generovanie aj krátkeho textu približne 1 minútu.

Pri procesoroch základnej triedy ako Celeron alebo N100 je praktické využitie podľa nás náročné.

Ako používať Irodori-TTS (postup nastavenia)

Tu stručne vysvetlíme, ako používať Irodori-TTS.

Celkový postup nastavenia je nasledovný:

1. Inštalácia potrebného softvéru
2. Vytvorenie pracovného priečinka
3. Klonovanie Irodori-TTS z GitHub
4. Inštalácia potrebných balíkov
5. Spustenie Irodori-TTS
6. Načítanie AI modelu
7. Čítanie textu

1. Inštalácia softvéru potrebného pre Irodori-TTS

Nastavenie Irodori-TTS vyžaduje predbežnú prípravu.

Najprv nainštalujte tieto tri súčasti:

• Python 3.10 alebo novší: programovací jazyk
• Git: systém na správu verzií (potrebný na stiahnutie Irodori-TTS)
• uv: správca balíkov pre Python

Ak chcete nainštalovať Python, Git a uv, najprv kliknite pravým tlačidlom myši na ponuku Štart a kliknite na položku „Terminál“ (nie je potrebné spúšťať ho ako správca).

Otvorí sa okno terminálu (PowerShell).

V tomto okne zadajte a spustite nasledujúce príkazy:

winget install --id Git.Git -e

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

Týmto ste nainštalovali všetko potrebné pre nastavenie Irodori-TTS.

*Python je spravovaný cez uv, takže sa automaticky nainštaluje počas nastavovania.

Po inštalácii terminál (PowerShell) raz zatvorte a znova otvorte (aby sa aktualizovali cesty „path“).

2. Vytvorenie pracovného priečinka

Ďalej vytvorte pracovný priečinok.

Sem sa nainštaluje Irodori-TTS.

V tomto príklade sme vytvorili priečinok s názvom „irodori-tts“ priamo na disku C.

Po vytvorení priečinka sa doň v termináli presuňte.

cd C:\irodori-tts

3. Klonovanie Irodori-TTS z GitHub

V termináli zadajte nasledujúci príkaz na naklonovanie repozitára Irodori-TTS z GitHub.

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

Klonovanie repozitára prebehne za pár sekúnd.

Zadajte nasledujúci príkaz, aby ste sa presunuli do priečinka naklonovaného repozitára.

cd Irodori-TTS

4. Inštalácia potrebných balíkov

Zadajte a spustite nasledujúci príkaz na inštaláciu balíkov potrebných pre beh Irodori-TTS.

uv sync

Sťahovanie a inštalácia veľkého množstva balíkov bude chvíľu trvať.

V tomto kroku sa nainštaluje aj samotný Python.

Počas sťahovania a inštalácie počkajte a nezatvárajte okno terminálu.

Sťahujú sa súbory s veľkosťou takmer 3 GB, preto odporúčame nastavenie vykonávať na mieste s dobrým internetovým pripojením.

5. Spustenie Irodori-TTS

Po dokončení sťahovania a inštalácie balíkov je nastavenie hotové.

Spustite Irodori-TTS.

Zadajte a spustite nasledujúci príkaz a chvíľu počkajte na spustenie.

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

Keď sa v termináli zobrazí nasledujúci text, spustenie je dokončené.

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

Otvorte webový prehliadač a prejdite na adresu http://localhost:7860 .

Týmto sa otvorí rozhranie Irodori-TTS (WebUI).

6. Načítanie AI modelu

Ak chcete načítať AI model používaný na čítanie textu, kliknite na „Load Model“.

Pri prvom použití sa po stlačení tohto tlačidla spustí sťahovanie AI modelu.

Keď sa v časti Model Status (označenej červeným rámčekom na nasledujúcom obrázku) zobrazí správa o dokončení, načítanie AI modelu je hotové.

7. Čítanie textu pomocou Irodori-TTS

V Irodori-TTS môžete zadávať inštrukcie pre spôsob čítania vrátane emócií, ale najprv si skúsme niečo prečítať bez inštrukcií.

Ak sa posuniete nižšie, nájdete pole na zadanie textu, do ktorého napíšte text, ktorý chcete nechať prečítať.

Tentoraz skúsime prečítať „こんにちは、これはイロドリTTSで作成された音声です。“ (Dobrý deň, toto je hlas vytvorený pomocou Irodori-TTS).

(Keďže pri zápise „Irodori-TTS“ v latinke nebolo čítanie správne, použili sme katakanu „イロドリTTS“).

Stlačením tlačidla „Generate“ sa spustí generovanie hlasu.

Irodori-TTS využíva na generovanie hlasu CPU alebo GPU (grafickú kartu) vášho počítača.

Preto sa čas generovania výrazne líši v závislosti od výkonu vášho PC.

Tentoraz sme generovali na notebooku bez GPU, a hoci išlo o krátku vetu, generovanie trvalo približne 1 minútu.

Referencia: Testovacie generovanie prebehlo v prostredí CPU: Ryzen 5 4650U, RAM: DDR4 32GB, Windows 11 Pro 24H2.

Po dokončení generovania sa zobrazí priebeh zvukovej vlny a zvuk si môžete prehrať.

Príklad prečítania vety „こんにちは、これはイロドリTTSで作成された音声です。“

Ak je po vypočutí všetko v poriadku, stlačte tlačidlo na stiahnutie (ikona šípky nadol) a uložte zvukový súbor.

Zvukový súbor sa uloží vo formáte WAV.

Týmto ste úspešne syntetizovali hlas pomocou Irodori-TTS.

Ako upraviť hlas v Irodori-TTS

V Irodori-TTS môžete rôznymi spôsobmi upravovať pohlavie, emócie a ďalšie vyjadrenia.

Zadanie emócií pomocou emoji

Kliknutím na „Emoji Palette“ pod poľom na zadanie textu si môžete vybrať emoji.

Každému emoji je priradené určité citové vyjadrenie.

• 😊 Veselo, radostne
• 😭 Vzlykanie, plačlivý hlas
• 😰 V zhone, rozrušene
• ⏩ Rýchla reč
• 📖 Narácia, monológ

Stačí vložiť emoji do poľa s textom a text bude prečítaný so zadaným citovým vyjadrením.

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

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

Upozorňujeme však, že iba pomocou emoji nie je možné konkrétne určiť pohlavie alebo vek.

Načítanie referenčného zvuku pre čítanie rovnakým hlasom

V Irodori-TTS môžete nechať načítať referenčný zvukový súbor a nechať text prečítať hlasom, ktorý vychádza z tohto vzoru.

Referenčný zvuk načítate v časti, kde je napísané „Potiahnite zvuk sem - alebo - kliknite pre nahranie“.

Nielenže môžete čítať text rovnakým hlasom, ale v porovnaní s prípadom bez zadania vzoru môžete dosiahnuť čistejšiu kvalitu zvuku.

Možnosť priameho nastavenia štýlu čítania pomocou funkcie titulkov

V Irodori-TTS môžete priamo textom zadať, akým hlasom má byť text prečítaný.

Ak chcete použiť funkciu titulkov, musíte spustiť verziu „VoiceDesign版“, čím sa zmení príkaz na spustenie Irodori-TTS v termináli.

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

Spustením tohto príkazu sa otvorí ovládacie rozhranie verzie VoiceDesign.

Keďže verzia VoiceDesign používa iný AI model ako štandardná verzia, pri prvom použití musíte kliknúť na „Load Model“ a stiahnuť model samostatne.

AI model má veľkosť približne 2 GB, preto odporúčame sťahovanie na mieste s dobrým internetom.

V rozhraní verzie VoiceDesign sa nachádza textové pole „Caption / Style Prompt (optional)“.

Sem napíšte vetu popisujúcu, akým hlasom chcete text prečítať.

• Prečítajte to pokojným ženským hlasom, s blízkym pocitom odstupu, jemne a prirodzene.
• Hovorte energickým mužským hlasom, jasne a rezko.
• Čítajte hlbokým mužským hlasom, vecne ako hlásateľ správ.

Týmto spôsobom môžete špecifikovať typ hlasu.

Napríklad pri zadaní „Prečítajte to pokojným ženským hlasom, s blízkym pocitom odstupu, jemne a prirodzene.“ vznikol takýto zvuk.

Príklad so zadaním „Prečítajte to pokojným ženským hlasom...“

Aj v tomto prípade sa podarilo vygenerovať zrozumiteľný hlas s čistou kvalitou.

Funkcia titulkov má však jedno upozornenie.

Generovanie hlasu pomocou funkcie titulkov trvá dlhšie ako pri iných metódach.

Pri generovaní na našom notebooku trvalo vytvorenie tejto krátkej vety približne 5 minút.

Ak chcete používať funkciu titulkov, odporúčame vysoko výkonné PC s GPU.

Čo sa stane, ak necháte prečítať anglický text?

Irodori-TTS je softvér na čítanie textu podporujúci iba japončinu.

Čo sa stane, ak skúsime nechať prečítať anglický text?

Skúsme zadať jednoduchú vzorovú vetu.

Príklad prečítania „Hello, this is a voice recording created using Irodori-TTS.“

Ako vidíte, slovo Hello bolo vyslovené ako „Haró“ s katakana prízvukom a časť „recording“ bola takmer nezrozumiteľná. Správne prečítanie sa nepodarilo.

Ak chcete nechať čítať anglické texty, odporúčame použiť AI služby na čítanie textu, ktoré podporujú cudzie jazyky.

Odporúčaná metóda syntézy reči, ak je „nastavenie náročné“

Po prečítaní doterajšieho textu ste možno nadobudli pocit, že nastavenie Irodori-TTS vyzerá byť trochu zložité.

Ak nie ste zvyknutí na prácu v termináli, už len príprava nástrojov ako Python a Git, inštalácia balíkov a sťahovanie AI modelu môže zabrať veľa času.

Navyše, ak nevlastníte PC s GPU, jedno generovanie hlasu trvá príliš dlho, čo sťažuje použitie napríklad pre narácie videí.

Dlhšie texty by sa museli deliť na cca 30-sekundové úseky a generovať opakovane.

Pre tých, ktorí chcú vytvárať hlas z textu bez inštalácie a zložitého nastavovania, tu predstavujeme službu AI syntézy reči, ktorú môžete používať v prehliadači.

『Ondoku』 – AI hlas použiteľný bez inštalácie

Ak chcete jednoducho syntetizovať hlas pomocou najnovšej AI, odporúčame službu AI syntézy reči 『Ondoku』.

『Ondoku』 je služba, kde stačí otvoriť prehliadač a vložiť text, aby ste vytvorili hlas.

Na PC, smartfóne alebo tablete si môžete hneď teraz bezplatne vytvoriť hlas.

Keďže generovanie hlasu prebieha v cloude (na strane servera), nie je problém, ak váš počítač nemá GPU.

K dispozícii sú vopred pripravené hlasy (mužské, ženské, detské atď.), takže nemusíte pripravovať referenčný zvuk ani titulky – stačí si vybrať a hneď čítať.

Dlhé texty je možné čítať vcelku.

Ondoku navyše podporuje aj angličtinu!

Podporuje viacero jazykov vrátane francúzštiny, španielčiny, kórejčiny či čínštiny, takže ho využijete aj na iné ako japonské texty.

Okrem toho si môžete vyskúšať ešte prirodzenejšie čítanie s AI hlasmi novej generácie (OndokuBeta).

Ak hľadáte spôsob, ako premeniť text na hlas, prečo nevyskúšať 『Ondoku』, ktoré je dostupné zadarmo a jednoducho?

Porovnanie rozdielov medzi Ondoku a Irodori-TTS

Na záver porovnáme hlavné rozdiely medzi Ondoku a Irodori-TTS.

Pri porovnaní vidíme, že Ondoku vyhráva v jednoduchosti a okamžitej použiteľnosti, zatiaľ čo Irodori-TTS je vhodné pre tých, ktorí majú výkonné PC a chcú si hlas detailne prispôsobiť.

Pre tých, ktorí potrebujú hlas hneď teraz, potrebujú čítať vo viacerých jazykoch alebo chcú službu využívať na smartfóne či tablete, odporúčame Ondoku.

Je vhodné aj pre ľudí, ktorí chcú čítať dlhé texty vcelku, nechcú tráviť čas nastavovaním alebo nemajú PC s GPU.

Stačí otvoriť prehliadač a môžete okamžite generovať kvalitný hlas, tak prečo nevyskúšať Ondoku zadarmo?

Zhrnutie vlastností, nastavenia a používania Irodori-TTS

V tomto článku sme si vysvetlili Irodori-TTS, lokálne fungujúci AI softvér na syntézu reči špecializovaný na japončinu.

Irodori-TTS je atraktívny nástroj pre tých, ktorí si chcú dať záležať na hlasovom prejave, vďaka funkciám ako klonovanie hlasu, dizajn hlasu pomocou titulkov či ovládanie emócií cez emoji.

Avšak spôsob nastavenia a používania je určený pre pokročilých používateľov a vyžaduje budovanie prostredia s Pythonom a Gitom.

Taktiež na počítačoch bez GPU trvá generovanie hlasu dlhšie.

Pre tých, ktorí chcú „používať syntézu reči jednoducho a hneď“, odporúčame 『Ondoku』, ktoré funguje priamo v prehliadači.

Prečo si nevytvoriť kvalitný hlas pomocou bezplatnej a ľahko použiteľnej AI syntézy reči aj vy?