Ni volis povi meti voĉon en filmetojn kaj kursojn sen devi registri ĉiun frazon. La problemo estas, ke preskaŭ neniu programo povas paroli Esperanton, kaj la du, kiuj ja povas —eSpeak NG kaj RHVoice—, sonas kiel robotoj: ili taŭgas por diri unuopan vorton, ne por esti aŭskultataj kvin minutojn senĉese.
Tial ni faris novan voĉon. Nuntempe ĝi estas nur provo: ni volis scii, ĉu la vojo funkcias, antaŭ ol pli labori pri ĝi. Aŭskultu ĝin:
«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.»
La voĉo venas el aŭdlibro
Artefarita voĉo ne estas elpensita: ĝi lernas de iu, kiu parolas. Ĝi kopias la tonon, la ritmon kaj la akcenton de la registraĵoj, kiujn oni donas al ĝi. Tial la unua paŝo ne estis teknika: temis pri elekti, kies voĉon ni uzos.
Por lerni necesas unu sola persono, multaj horoj, la sama mikrofono kaj la skribita teksto de tio, kion la persono diras. Ĝuste tio estas aŭdlibro. LibriVox havas dek aŭdlibrojn en Esperanto, registritajn de volontuloj kaj en publika havaĵo. Ni mezuris ilin kaj elektis J. D. Zero, kiu tie laŭtlegis ĉirkaŭ 8 horojn: La Mirinda Sorĉisto de Oz, Karlo kaj parton de Vivo de Zamenhof. La skribita teksto de la tri libroj troviĝas ĉe Project Gutenberg.
Ni elektis tiun voĉon por provi, ne ĉar ĝi estus la definitiva voĉo. Artefarita voĉo bezonas multajn horojn da registraĵoj de unu sola persono, kaj registri ilin estas ĝuste tio, kio plej longe daŭras. LibriVox jam havis ilin, registritajn kaj liberajn, do ni povis provi la tutan procezon sen atendi iun ajn. Se la provo konvinkos, la sama vojo taŭgos por fari novan voĉon kun persono, kiu volos pruntedoni sian.
Purigi la materialon
Ĉapitro daŭras dudek aŭ tridek minutojn, kaj la trejnado bezonas apartajn frazojn de 3 ĝis 12 sekundoj, ĉiun kun sia teksto. Tion faras skripto, kiu:
- aŭskultas la sonon per Vosk, libera programo, kiu rekonas parolon en Esperanto, por scii, je kiu sekundo komenciĝas kaj finiĝas ĉiu vorto;
- serĉas tiujn vortojn en la teksto de la libro kaj eltranĉas la tutan frazon;
- forĵetas ĉion, kio povus instrui malbonajn kutimojn al la voĉo: frazojn kun fona bruo, la anoncon de LibriVox ĉe la komenco, tion, kio ne kongruas kun la teksto, longajn silentojn kaj la ekzercojn de Karlo;
- egaligas la laŭtecon.
El la 8 horoj restis 1599 frazoj, 3,21 horoj, ĉiuj puraj. Ni preferis malmultajn kaj bonajn: voĉo, kiu lernas el malpura fono, parolas kun malpura fono.
Trejni ĝin
La programo estas Piper, libera kaj farita por krei voĉojn, kiuj funkcias en ordinaraj komputiloj.
- Oni ne komencas de nulo. Oni ekiras de jam farita voĉo, eĉ se ĝi estas en alia lingvo, kaj instruas al ĝi Esperanton. Ni elektis John, anglan voĉon same faritan per aŭdlibroj de LibriVox, tute en publika havaĵo kaj kun tono tre simila al tiu de J. D. Zero.
- La sonojn de Esperanto —la ses ĉapelitajn literojn, la akcenton sur la antaŭlasta silabo— liveras eSpeak NG, kiu prononcas ilin bone, kvankam ĝia propra voĉo sonas kiel roboto.
- Potenca grafika karto necesas nur por trejni. Ni ne havis tian, do ni luis unu ĉe RunPod (RTX 5090, kontraŭ 1,19 usonaj dolaroj hore). Ĝi trairis la 1599 frazojn 1000 fojojn en ĉirkaŭ 7 horoj, por ĉirkaŭ 8,35 dolaroj.
- Multekosta leciono: la unua provo, en la sama tago kaj ankaŭ por ĉirkaŭ 8 dolaroj, tute perdiĝis, ĉar la luita maŝino forviŝis sian diskon, kiam ĝi haltis. Nun la skripto ne ekfunkcias, se la disko estas tia.
La rezulto
- La voĉo estas dosiero de 63 MB. Ĝi funkcias en iu ajn komputilo, sen grafika karto kaj sen interreto: oni skribas tekston kaj ricevas sondosieron.
- Oni povas doni ĝin al aliaj homoj: pako kun la voĉo, specimeno kaj instrukcioj por Windows, Mac kaj Linux.
- Tion, kion ĝi diras, oni rajtas publikigi. La aŭdlibro kaj la baza voĉo estas en publika havaĵo, kaj la permesilo de Piper kovras la programon, ne la sonon, kiun ĝi produktas.
Kion ni ankoraŭ ne scias
- La unuaj specimenoj funkcias, sed ni ankoraŭ ne uzis ĝin por voĉlegi tutan filmeton.
- La pako por aliaj homoj estas provita nur en Linux; en Windows kaj Mac, ankoraŭ ne.
- Se necesos plibonigi ĝin, la vojo estas doni al ĝi pli da materialo de la sama persono, aŭ forigi la bruon el la frazoj, kiujn ni forĵetis.
Dankon
Al J. D. Zero kaj al ĉiuj homoj de LibriVox, kiuj registris sen peti ion ajn rekompence; al Project Gutenberg, pro la tekstoj; kaj al tiuj, kiuj faras Piper, eSpeak NG kaj Vosk, liberajn programojn, sen kiuj ĉi tio ne ekzistus.
Legi en: