Queríamos poder poner voz a los vídeos y a los cursos sin tener que grabar cada frase. El problema es que casi ningún programa sabe hablar esperanto, y los dos que saben —eSpeak NG y RHVoice— suenan a robot: sirven para decir una palabra suelta, no para escucharlos cinco minutos seguidos.
Así que hemos hecho una nueva. De momento es una prueba: queríamos saber si el método funciona antes de dedicarle más trabajo. Escúchala:
«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! Soy la nueva voz de Valencia Esperanto-Grupo. Todavía solo soy una prueba, pero espero hablar algún día en nuestros vídeos y cursos.)
La voz sale de un audiolibro
Una voz artificial no se inventa: aprende de alguien que habla. Copia el tono, el ritmo y el acento de las grabaciones que se le dan. Por eso el primer paso no fue técnico: fue elegir quién pondría la voz.
Para aprender hace falta una sola persona, muchas horas, el mismo micrófono y el texto escrito de lo que dice. Eso es, precisamente, un audiolibro. LibriVox tiene diez audiolibros en esperanto, grabados por gente voluntaria y de dominio público. Los medimos y elegimos a J. D. Zero, que tiene allí unas 8 horas: La Mirinda Sorĉisto de Oz, Karlo y parte de Vivo de Zamenhof. El texto escrito de los tres libros está en Project Gutenberg.
La hemos elegido para probar, no porque sea la voz definitiva. Una voz artificial necesita muchas horas de audio de una sola persona, y grabarlas es justo lo que más tiempo lleva. LibriVox ya las tenía grabadas y libres, así que podíamos probar todo el proceso sin esperar a nadie. Si la prueba convence, el mismo método sirve para hacer una voz nueva con una persona que quiera prestar la suya.
Limpiar el material
Un capítulo dura veinte o treinta minutos, y el entrenamiento necesita frases sueltas de 3 a 12 segundos, cada una con su texto. Lo hace un script que:
- escucha el audio con Vosk, un programa libre que reconoce la voz en esperanto, para saber en qué segundo empieza y acaba cada palabra;
- busca esas palabras en el texto del libro y corta la frase entera;
- tira todo lo que podría enseñarle malas costumbres a la voz: frases con ruido de fondo, el aviso de LibriVox del principio, lo que no casa con el texto, los silencios largos y los ejercicios de Karlo;
- iguala el volumen.
De las 8 horas quedaron 1.599 frases, 3,21 horas, todas limpias. Preferimos pocas y buenas: una voz que aprende de un fondo sucio habla con el fondo sucio.
Entrenarla
El programa es Piper, libre y pensado para hacer voces que funcionen en ordenadores normales.
- No se empieza de cero. Se parte de una voz ya hecha, aunque sea de otro idioma, y a partir de ella se le enseña esperanto. Elegimos a John, una voz inglesa hecha también con audiolibros de LibriVox, íntegramente de dominio público y con un tono muy parecido al de J. D. Zero.
- Los sonidos del esperanto —las seis letras con sombrerito, el acento en la penúltima sílaba— los pone eSpeak NG, que los pronuncia bien aunque su voz suene a robot.
- Una tarjeta gráfica potente solo hace falta para entrenar. No teníamos, así que alquilamos una en RunPod (una RTX 5090, a 1,19 dólares la hora). Repasó las 1.599 frases 1.000 veces en unas 7 horas, por unos 8,35 dólares.
- Una lección cara: el primer intento, el mismo día y también de unos 8 dólares, se perdió entero porque la máquina alquilada borraba el disco al apagarse. Ahora el programa no arranca si el disco es de esos.
El resultado
- La voz es un archivo de 63 MB. Funciona en cualquier ordenador, sin tarjeta gráfica y sin internet: escribes un texto y la voz saca un archivo de sonido.
- Se puede pasar a otra gente: un paquete con la voz, una muestra y las instrucciones para Windows, Mac y Linux.
- Lo que dice se puede publicar. El audiolibro y la voz de partida son de dominio público, y la licencia de Piper cubre el programa, no el audio que produce.
Lo que todavía no sabemos
- Las primeras muestras funcionan, pero todavía no la hemos probado narrando un vídeo entero.
- El paquete para otra gente solo se ha probado en Linux; en Windows y Mac, todavía no.
- Si hay que mejorarla, el camino es darle más material de la misma persona, o limpiar el ruido de las frases que tiramos.
Gracias
A J. D. Zero y a toda la gente de LibriVox, que grabó sin pedir nada a cambio; a Project Gutenberg, por los textos; y a quien hace Piper, eSpeak NG y Vosk, programas libres sin los cuales esto no existiría.
Leer en: