Piper klarigita: la libera artefarita voĉo, kiu funkcias sen interreto

Kiu faras ĝin, en kiuj lingvoj ĝi parolas, kiel provi ĝin en tri paŝoj kaj kion ĝi ne faras.

Mallonge: Piper estas libera programo, kiu laŭte legas la tekston, kiun vi donas al ĝi, per voĉo, kiu sonas kiel homa, kaj ĝi faras tion en via komputilo, sen interreto. Ĝi havas 178 voĉojn en 53 lingvoj, inter ili la kataluna kaj la hispana; por Esperanto ĝi havas neniun oficialan.

Kio estas Piper?

Piper estas programo por voĉsintezo: vi donas al ĝi tekston, kaj ĝi redonas al vi sondosieron kun tiu teksto laŭte legita. Ĝia paĝo prezentas ĝin kiel voĉmotoron «rapidan kaj lokan»: ĝi funkcias en via komputilo, sen sendi tion, kion vi skribas, al iu ajn servilo.

Ĝi estas neŭrala: ĉiu voĉo lernis paroli el horoj da registraĵoj de reala persono, kaj tial ĝi sonas multe pli nature ol la tradiciaj voĉprogramoj, kiel eSpeak NG. Kaj krome, ĝi enhavas ĝin: Piper uzas eSpeak NG por scii, kiel prononciĝas ĉiu vorto, antaŭ ol sonigi ĝin.

Kiu faras ĝin kaj kiom ĝi kostas?

Ĝi estas senpaga kaj libera: la kodo estas publika, kaj ĉiu povas legi, uzi kaj modifi ĝin, laŭ la permesilo GPL 3. Nun ĝin prizorgas la Open Home Foundation. Ĝi naskiĝis en la projekto Rhasspy, kun la permesilo MIT; la 6-an de oktobro 2025 tiu kododeponejo estis arkivita, kaj la disvolvado translokiĝis al tiu de la fondaĵo.

Por kio ĝi utilas?

  • Krei sondosieron el teksto: lecionon, videon, podkaston aŭ anoncon, sen devi registri ĝin per via propra voĉo.
  • Doni voĉon al asistanto aŭ al konektita hejmo sen dependi de firmao. Ĝia paĝo diras, ke ĝin uzas, inter aliaj, Home Assistant —la libera programo por regi la hejmon—, la libera voĉasistanto Open Voice OS kaj la ekranlegilo NVDA.
  • Fari novan voĉon. Per kelkaj horoj da registraĵo de unu sola persono kaj la teksto de tio, kion tiu diras, oni povas trejni propran voĉon. La trejna gvidilo klarigas, ke helpas komenci de jam farita voĉo, eĉ se ĝi estas de alia lingvo.

En kiuj lingvoj ĝi parolas?

La oficiala listo havas 178 voĉojn en 53 lingvoj, kalkulitajn la 28-an de oktobro 2026. En la kataluna estas tri —Ona, en du kvalitoj, kaj Pau— kaj en la hispana naŭ, el Hispanio, Meksiko kaj Argentino. En Esperanto estas neniu en la oficiala listo.

Ĉiu voĉo venas en unu kvalito —de la plej malgranda kaj rapida ĝis la plej bona: x_low, low, medium kaj high— kaj havas sian propran permesilon, en dosiero nomata MODEL_CARD. La projekto mem avertas, ke kelkaj havas limigajn permesilojn: se vi publikigos tion, kion vi faros, kontrolu ĝin antaŭe.

Kiel oni provas ĝin?

Piper havas nek fenestron nek butonojn: oni uzas ĝin skribante ordonojn en la terminalo, la teksta fenestro de la komputilo. Vi bezonas Python 3.9 aŭ pli novan, kaj ĝi funkcias en Windows, macOS kaj Linukso. Tiujn tri paŝojn ni provis en Linukso la 28-an de oktobro 2026, kun la versio 1.8.0:

1-a paŝo. Instalu ĝin:

pip install piper-tts

2-a paŝo. Elŝutu voĉon, ekzemple tiun de Ona en la kataluna (63 MB). Ĝi lasas du dosierojn en la dosierujo, kie vi troviĝas: la voĉon, kies nomo finiĝas per .onnx, kaj ĝiajn agordojn, per .onnx.json.

python3 -m piper.download_voices ca_ES-upc_ona-medium

3-a paŝo. Kreu la sondosieron:

echo "Bonan tagon! Hodiaŭ ni komencas la Esperanto-kurson." | python3 -m piper -m ca_ES-upc_ona-medium.onnx -f provo.wav

La dosiero provo.wav jam enhavas la frazon, laŭte legitan de Ona, kiu estas kataluna voĉo. Se vi volas, ke ĝi parolu pli malrapide, aldonu --length-scale 1.15; kaj --sentence-silence 0.5 metas duonsekundan silenton inter la frazoj.

Kion ĝi ne faras, klare dirite

  • Ĝi ne havas fenestron: se vi ne volas skribi ordonojn, vi devas uzi ĝin per alia programo, kiu enhavas ĝin.
  • Ĝi ne havas oficialan voĉon en Esperanto. Por havi tian, oni devas trejni ĝin, kaj tio postulas horojn da bona registraĵo de unu sola persono kaj komputilon kun grafika karto dum horoj.
  • La permesilo de ĉiu voĉo estas malsama, kaj ne ĉiuj permesas fari la samon.
  • Ĝi serĉas prizorgantojn: ĝia paĝo diras, ke la Open Home Foundation serĉas personojn por prizorgi la projekton.

Resume

Piper igas la komputilon laŭte legi per natura voĉo, sen interreto kaj senpage. Ĝi havas voĉojn en la kataluna kaj en la hispana, kaj en Esperanto, nuntempe, vi devas fari ĝin mem. Se vi nur volas aŭdi, kiel sonas vorto en Esperanto, eSpeak NG jam faras tion; kaj se vi volas la malon, transformi voĉon en tekston, rigardu Vosk.

Fontoj

Legi en: