Vad är Irodori-TTS? Funktioner, tips och användarguide enkelt förklarat

Vilken typ av AI-röstläsningsprogram är Irodori-TTS?

Många är förmodligen nyfikna på det nya AI-röstläsningsprogrammet ”Irodori-TTS”.

I den här artikeln förklarar vi Irodori-TTS egenskaper, vad man kan göra, försiktighetsåtgärder och användning på ett lättförståeligt sätt.

Dessutom introducerar vi en talsyntesmetod som kan användas direkt utan installation för dig som känner att ”uppsättningen verkar svår”.

Vad du kommer att lära dig i den här artikeln

1. Vilken typ av programvara är Irodori-TTS?
2. Vad man kan göra med Irodori-TTS och försiktighetsåtgärder
3. Hur man använder Irodori-TTS (från uppsättning till röstjustering)
4. Rekommenderad metod när miljökonfigurationen är svår

Vad är Irodori-TTS? Förklaring av japansk AI-talsyntesprogramvara

Först och främst förklarar vi kortfattat egenskaperna hos Irodori-TTS och vilken typ av AI-talsyntesprogramvara det är.

Irodori-TTS är en AI-talsyntesmodell som körs lokalt

Irodori-TTS är en AI-talsyntesprogramvara specialiserad på japanska.

Utvecklaren är Aratako, och den är publicerad gratis som öppen källkod (MIT license).

Den största egenskapen är att den kan ”köras lokalt”, vilket innebär att talsyntesen sker helt på din egen PC.

Eftersom all bearbetning av röstgenereringen sker på din lokala PC, skickas ingen text eller genererad röstdata till externa servrar.

Efter den första installationen kan du generera röster utan internetanslutning, och det finns ingen begränsning på antal genereringar.

Uppsättningen kräver dock programmeringsverktyg som Python och Git.

För att programmet ska köras snabbt rekommenderas dessutom en högpresterande PC utrustad med GPU (grafikkort).

Vad man kan och inte kan göra med Irodori-TTS

Härnäst förklarar vi vad man kan och inte kan göra med Irodori-TTS.

Vad man kan göra med Irodori-TTS

Eftersom Irodori-TTS körs i en lokal miljö kan du generera röster obegränsat antal gånger.

Även i miljöer utan internetanslutning kan du fritt skapa röster när den första installationen är klar.

Det finns flera sätt att instruera vilken typ av röst som ska skapas, och genom att använda caption-funktionen kan du skapa den röstkvalitet du föredrar genom enbart textinstruktioner.

Det är också möjligt att återskapa befintliga röster med röstkloning eller lägga till känslouttryck med emojis.

Eftersom den har MIT license är kommersiell användning av de genererade rösterna också tillåten.

Försiktighetsåtgärder med Irodori-TTS

Å andra sidan finns det vissa försiktighetsåtgärder som är bra att känna till innan man använder Irodori-TTS.

Rösten som kan skapas per gång är begränsad till cirka 30 sekunder

Det som kan läsas upp i en enda generering är upp till cirka 30 sekunder.

Om du vill läsa upp en lång text måste du dela upp texten och generera den flera gånger.

Det är svårt att få till exakt den röst eller det talstil man önskar

Irodori-TTS erbjuder hög frihet, men i gengäld finns det inga förinställda standardröster (basröster).

Därför kommer kön och ålder att ändras slumpmässigt vid varje generering om du inte anger captions eller en referensröst.

Om du vill läsa upp med samma röst måste du ladda in en referensröst.

Det finns inte heller någon funktion för att manuellt justera betoning eller intonation.

Stöder endast japanska

Det språk som stöds är endast japanska, och det stöder inte främmande språk som engelska.

Man bör också vara uppmärksam på att felaktiga läsningar av kanji-tecken kan förekomma.

Högspecifik PC med GPU rekommenderas

Beroende på din PC:s specifikationer kan det ta tid att generera rösten.

På en PC utan GPU tar det cirka en minut att generera även en kort text.

Med CPU:er i instegsklassen, som Celeron eller N100, känns praktisk användning svår.

Hur man använder Irodori-TTS (flöde för uppsättning)

Här förklarar vi kortfattat hur man använder Irodori-TTS.

Det totala flödet för uppsättningen är som följer:

1. Installera nödvändig programvara
2. Skapa en arbetsmapp
3. Klona Irodori-TTS från GitHub
4. Installera nödvändiga paket
5. Starta Irodori-TTS
6. Ladda in AI-modellen
7. Läs upp texten

1. Installera nödvändig programvara för Irodori-TTS

Förberedelser krävs för att sätta upp Irodori-TTS.

Installera först dessa tre typer:

• Python 3.10 eller högre: Programmeringsspråk
• Git: Versionshanteringssystem (behövs för att ladda ner Irodori-TTS)
• uv: Pakethanterare för Python

För att installera Python, Git och uv högerklickar du först på startmenyn och klickar på ”Terminal” (du behöver inte starta som administratör).

Terminalfönstret (PowerShell) öppnas.

Ange och kör följande kommandon i det här fönstret:

winget install --id Git.Git -e

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

Nu har du installerat det som behövs för att sätta upp Irodori-TTS.

*Python hanteras av uv, så det installeras automatiskt under uppsättningen.

När installationen är klar, stäng terminalen (PowerShell) och öppna den igen (för att uppdatera sökvägar).

2. Skapa en arbetsmapp

Skapa sedan en arbetsmapp.

Irodori-TTS kommer att installeras här.

I det här exemplet skapade vi en mapp med namnet ”irodori-tts” direkt under C-enheten.

När mappen är skapad, förflytta dig till den mappen i terminalen.

cd C:\irodori-tts

3. Klona Irodori-TTS från GitHub

Ange följande kommando i terminalen för att klona Irodori-TTS-lagringsplatsen från GitHub.

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

Kloningen av lagringsplatsen tar bara några sekunder.

Ange följande kommando för att förflytta dig till den klonade mappen.

cd Irodori-TTS

4. Installera nödvändiga paket

Ange och kör följande kommando för att installera de paket som krävs för att köra Irodori-TTS.

uv sync

Det kommer att ta tid eftersom ett stort antal paket laddas ner och installeras.

Själva Python installeras också här.

Vänta utan att stänga terminalfönstret medan nedladdning och installation pågår.

Eftersom filer på nästan 3 GB laddas ner, rekommenderas det att göra uppsättningen på en plats med bra internetuppkoppling.

5. Starta Irodori-TTS

När nedladdning och installation av paketen är klara är uppsättningen färdig.

Starta Irodori-TTS.

Ange och kör följande kommando och vänta en kort stund på uppstarten.

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

När följande visas i terminalen är starten klar.

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

Öppna en webbläsare och gå till http://localhost:7860.

Irodori-TTS-skärmen (WebUI) öppnas.

6. Ladda in AI-modellen

Klicka på ”Load Model” för att ladda in den AI-modell som ska användas för röstläsning.

Första gången du använder programmet börjar nedladdningen av AI-modellen när du trycker på den här knappen.

När ett färdigställandemeddelande visas i Model Status (platsen inramad i rött i nästa bild) är inladdningen av AI-modellen klar.

7. Läs upp text med Irodori-TTS

I Irodori-TTS kan du ge instruktioner om hur texten ska läsas upp, inklusive känslouttryck, men låt oss först testa att läsa upp utan instruktioner som ett exempel.

Scrolla ner så hittar du ett textfält där du kan skriva in den text du vill läsa upp.

I det här fallet testar vi att läsa upp ”こんにちは、これはイロドリTTSで作成された音声です。” (Hej, detta är en röst skapad med Irodori-TTS).

(Eftersom den inte kunde läsa upp ”Irodori-TTS” korrekt när det skrevs med alfabetet, använde vi katakana ”イロドリTTS”).

Tryck på knappen ”Generate” för att starta genereringen av rösten.

Irodori-TTS använder din PC:s CPU eller GPU (grafikkort) för att generera rösten.

Därför varierar tiden det tar att generera rösten kraftigt beroende på din PC:s prestanda.

I det här fallet genererade vi på en bärbar dator utan GPU, och trots den korta texten tog det cirka en minut att generera.

Referens: Testgenerering utfördes i en miljö med CPU: Ryzen 5 4650U, Minne: DDR4 32GB, Windows 11 Pro 24H2.

När genereringen är klar visas röstens vågform och du kan spela upp ljudet.

Exempel på uppläsning av ”こんにちは、これはイロドリTTSで作成された音声です。”

Om ljudet låter bra trycker du på nedladdningsknappen (ikonen med pil nedåt) för att spara röstfilen.

Röstfilen sparas i WAV-format.

Nu har du lyckats syntetisera tal med hjälp av Irodori-TTS.

Hur man justerar rösten i Irodori-TTS

I Irodori-TTS kan du justera uttryck som kön och känslor på olika sätt.

Ange känslouttryck med emojis

Klicka på ”Emoji Palette” under textfältet för att välja emojis.

Varje emoji har ett tilldelat känslouttryck.

• 😊 Glad, lycklig
• 😭 Snyftande, gråtande röst
• 😰 Stressad, upprörd
• ⏩ Snabbt tal
• 📖 Berättarröst, monolog

Genom att helt enkelt lägga till en emoji i textfältet kan du få texten uppläst med det angivna känslouttrycket.

Exempel på uppläsning av ”😊 こんにちは、これはイロドリTTSで作成された音声です。”

Exempel på uppläsning av ”📖 こんにちは、これはイロドリTTSで作成された音声です。”

Observera dock att man inte kan specificera kön eller ålder enbart genom att ange emojis.

Ladda in en referensröst för att läsa upp med samma röst

I Irodori-TTS kan du ladda in en referensröstfil och låta programmet läsa upp texten baserat på den rösten.

Referensrösten laddas in via sektionen där det står ”Släpp ljudet här - eller - klicka för att ladda upp”.

Förutom att du kan läsa upp med samma röst, kan du få en tydligare ljudkvalitet jämfört med när ingenting anges.

Möjligt att justera talstilen direkt med caption-funktionen

I Irodori-TTS kan du även direkt ange i text vilken typ av röst som ska användas.

Om du vill använda caption-funktionen måste du starta ”VoiceDesign-versionen”, och kommandot för att starta Irodori-TTS i terminalen ändras.

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

När du kör det här kommandot startar gränssnittet för VoiceDesign-versionen.

Eftersom VoiceDesign-versionen använder en annan AI-modell än standardversionen, måste du klicka på ”Load Model” och ladda ner modellen separat från standardversionen första gången du använder den.

Eftersom AI-modellen är på cirka 2 GB, rekommenderas nedladdning på en plats med bra internetuppkoppling.

I gränssnittet för VoiceDesign-versionen finns textrutan ”Caption / Style Prompt (optional)”.

Här skriver du in en textbeskrivning av hur du vill att rösten ska låta.

• Läs upp med en lugn kvinnoröst, mjukt och naturligt med en känsla av närhet.
• Tala med en pigg mansröst, ljust och tydligt.
• Läs upp sakligt med en djup mansröst, som en nyhetsuppläsare.

På så sätt kan du styra vilken röst som används.

Till exempel, när vi angav ”Läs upp med en lugn kvinnoröst, mjukt och naturligt med en känsla av närhet.”, blev rösten så här.

Exempel där ”Läs upp med en lugn kvinnoröst, mjukt och naturligt med en känsla av närhet.” angavs

Även här kunde vi få en röst med tydlig ljudkvalitet som var lätt att höra.

Det finns dock en försiktighetsåtgärd med caption-funktionen.

Caption-funktionen tar längre tid att generera rösten jämfört med andra metoder.

När vi genererade på den bärbara datorn den här gången, tog det cirka 5 minuter att generera den här korta texten.

Om du ska använda caption-funktionen rekommenderas en högspecifik PC med GPU.

Vad händer om man läser upp engelsk text?

Irodori-TTS är ett röstläsningsprogram som enbart stöder japanska.

Så vad händer om man försöker läsa upp engelsk text?

Låt oss testa att skriva in en enkel exempelmening.

Exempel på uppläsning av ”Hello, this is a voice recording created using Irodori-TTS.”

Som synes blev ”Hello” uttalat som katakana ”haroo”, och delen ”recording” fick ett uttal som inte gick att tyda, så den kunde inte läsa upp texten korrekt.

Om du vill läsa upp engelsk text rekommenderas att du använder en AI-talsyntestjänst som stöder främmande språk.

Rekommenderad talsyntesmetod när ”uppsättningen är svår”

Efter att ha läst så här långt kanske vissa känner att uppsättningen av Irodori-TTS verkar lite väl besvärlig.

Om man inte är van vid terminalhantering kan enbart stegen att förbereda verktyg som Python och Git, installera paket och ladda ner AI-modeller ta mycket tid.

Om man dessutom inte har en PC med GPU, tar varje talsyntes för lång tid, vilket gör det svårt att använda för ändamål som videonarrering.

Långa texter måste delas upp i bitar om cirka 30 sekunder och genereras om och om igen.

För dig som vill skapa röst från text utan att behöva installera eller konfigurera någonting, introducerar vi här en AI-talsyntestjänst som kan användas i webbläsaren.

”Ondoku” – AI-röst som kan användas utan installation

När du vill göra talsyntes enkelt med den senaste AI-tekniken rekommenderas AI-talsyntestjänsten ”Ondoku”.

”Ondoku” är en AI-talsyntestjänst där du kan skapa röst genom att bara öppna webbläsaren och klistra in text.

Du kan skapa röst gratis direkt på din PC, smartphone eller surfplatta.

Eftersom röstgenereringen sker i molnet (på serversidan) spelar det ingen roll om din PC saknar GPU.

Då flera röster som mansröster, kvinnoröster och barnröster finns tillgängliga från start, kan du läsa upp text direkt genom att bara välja en röst, utan att behöva förbereda referensröster eller captions.

Även långa texter kan läsas upp som de är.

Dessutom stöder Ondoku engelska!

Den stöder många språk som franska, spanska, koreanska och kinesiska, så den kan användas för uppläsning på andra språk än japanska.

Dessutom kan du uppleva ännu mer naturlig uppläsning med nästa generations AI-röst (OndokuBeta).

Om du letar efter ett sätt att läsa upp text som röst, varför inte prova ”Ondoku” som är gratis och enkel att använda?

Jämförelse av skillnader mellan Ondoku och Irodori-TTS

Slutligen jämför vi de främsta skillnaderna mellan Ondoku och Irodori-TTS.

Vid jämförelse kan man säga att Ondoku är bäst för enkelhet och omedelbar användning, medan Irodori-TTS passar om du har en högpresterande PC och vill detaljstyra röstens karaktär.

För dig som vill ha röst direkt, behöver uppläsning på flera språk, eller vill använda smartphone eller surfplatta, rekommenderas Ondoku.

Det passar även dig som vill läsa upp långa texter som de är, inte vill lägga tid på uppsättning, eller har en PC utan GPU.

Eftersom du kan generera högkvalitativ röst direkt genom att bara öppna webbläsaren, varför inte börja med att använda Ondoku gratis?

Sammanfattning av Irodori-TTS egenskaper, uppsättning och användning

I den här artikeln förklarade vi Irodori-TTS, en lokal AI-talsyntesprogramvara specialiserad på japanska.

Irodori-TTS är ett lockande verktyg för dem som vill vara kräsna med röstuttryck, tack vare funktioner som röstkloning, röstdesign via captions och känslostyrning med emojis.

Dock är metoden för uppsättning och användning riktad till avancerade användare, och installationen kräver konfiguration av Python- och Git-miljöer.

Dessutom tar röstgenereringen tid på en PC utan GPU.

För de som ”vill använda talsyntes enkelt här och nu”, rekommenderas ”Ondoku” som kan användas enbart med en webbläsare.

Varför inte skapa din egen högkvalitativa röst med en gratis och lättanvänd AI-talsyntes?