Volíem poder posar veu als vídeos i als cursos sense haver de gravar cada frase. El problema és que quasi cap programa sap parlar esperanto, i els dos que en saben —eSpeak NG i RHVoice— sonen a robot: servixen per a dir una paraula solta, no per a escoltar-los cinc minuts seguits.
Així que n’hem fet una de nova. De moment és una prova: volíem saber si el camí funciona abans de posar-hi més faena. Escolta-la:
«Saluton! Mi estas la nova voĉo de Valencia Esperanto-Grupo. Mi ankoraŭ estas nur provo, sed iam mi esperas paroli en niaj filmetoj kaj kursoj.» (Hola! Soc la nova veu de Valencia Esperanto-Grupo. Encara només soc una prova, però espere parlar algun dia en els nostres vídeos i cursos.)
La veu ve d’un audiollibre
Una veu artificial no s’inventa: aprén d’algú que parla. Copia el to, el ritme i l’accent de les gravacions que se li donen. Per això el primer pas no va ser tècnic: va ser triar qui posaria la veu.
Per a aprendre fa falta una sola persona, moltes hores, el mateix micròfon i el text escrit del que diu. Això és justament un audiollibre. LibriVox té deu audiollibres en esperanto, gravats per gent voluntària i de domini públic. Els vam mesurar i vam triar J. D. Zero, que hi té unes 8 hores: La Mirinda Sorĉisto de Oz, Karlo i un tros de Vivo de Zamenhof. El text escrit dels tres llibres està en Project Gutenberg.
L’hem agafada per a provar, no perquè siga la veu definitiva. Una veu artificial necessita moltes hores d’àudio d’una sola persona, i gravar-les és justament el que més temps porta. LibriVox ja les tenia gravades i lliures, així que podíem provar tot el procés sense esperar ningú. Si la prova convenç, el mateix camí servix per a fer una veu nova amb una persona que vulga prestar la seua.
Netejar el material
Un capítol dura vint o trenta minuts, i l’entrenament vol frases soltes de 3 a 12 segons, cadascuna amb el seu text. Ho fa un guió que:
- escolta l’àudio amb Vosk, un programa lliure que reconeix la veu en esperanto, per a saber en quin segon comença i acaba cada paraula;
- busca eixes paraules en el text del llibre i talla la frase sencera;
- tira tot el que podria ensenyar-li coses roïnes a la veu: frases amb soroll de fons, l’avís de LibriVox del principi, el que no casa amb el text, els silencis llargs i els exercicis de Karlo;
- iguala el volum.
De les 8 hores, en van quedar 1.599 frases, 3,21 hores, totes netes. Vam preferir poques i bones: una veu que aprén d’un fons brut parla amb el fons brut.
Entrenar-la
El programa és Piper, lliure i pensat per a fer veus que funcionen en ordinadors normals.
- No es comença de zero. Es parteix d’una veu ja feta, encara que siga d’un altre idioma, i se li ensenya esperanto damunt. Vam triar John, una veu anglesa feta també amb audiollibres de LibriVox, de domini públic de dalt a baix i amb un to molt semblant al de J. D. Zero.
- Els sons de l’esperanto —les sis lletres amb barret, l’accent en la penúltima síl·laba— els posa eSpeak NG, que els pronuncia bé encara que la seua veu sone a robot.
- Fa falta una targeta gràfica potent només per a entrenar. No en teníem, així que en vam llogar una en RunPod (una RTX 5090, a 1,19 dòlars l’hora). Va fer 1.000 voltes sobre les 1.599 frases en unes 7 hores, per uns 8,35 dòlars.
- Una lliçó cara: el primer intent, el mateix dia i també d’uns 8 dòlars, es va perdre sencer perquè la màquina llogada esborrava el disc en parar-se. Ara el guió no arranca si el disc és d’eixos.
El resultat
- La veu és un arxiu de 63 MB. Funciona en qualsevol ordinador, sense targeta gràfica i sense internet: escrius un text i la veu en trau un arxiu de so.
- Es pot passar a altra gent: un paquet amb la veu, una mostra i les instruccions per a Windows, Mac i Linux.
- Es pot publicar el que diu. L’audiollibre i la veu de partida són de domini públic, i la llicència de Piper cobrix el programa, no l’àudio que en trau.
El que encara no sabem
- Les primeres mostres funcionen, però encara no l’hem provada narrant un vídeo sencer.
- El paquet per a altra gent només s’ha provat en Linux; en Windows i Mac, encara no.
- Si cal millorar-la, el camí és donar-li més material de la mateixa persona, o netejar el soroll de les frases que vam tirar.
Gràcies
A J. D. Zero i a tota la gent de LibriVox, que va gravar sense demanar res a canvi; a Project Gutenberg, pels textos; i a qui fa Piper, eSpeak NG i Vosk, programes lliures sense els quals això no existiria.
Llegir en: