Mallonge: eSpeak NG estas libera kaj tre malgranda programo, kiu laŭte legas en pli ol cent lingvoj kaj akĉentoj, inter ili Esperanto, la kataluna kaj la hispana. Ĝi sonas kiel roboto, sed oni bone komprenas ĝin eĉ je granda rapido, kaj ĝi estas la voĉo, kiun la ekranlegilo NVDA havas defaŭlte.
Kio estas eSpeak NG?
eSpeak NG estas programo por voĉsintezo: vi donas al ĝi tekston, kaj ĝi diras ĝin laŭte aŭ konservas ĝin en sondosiero. Ĝi funkcias en via komputilo, sen interreto.
Interne ĝi diferencas de la modernaj voĉprogramoj: ĝi enhavas eĉ ne pecon de homa voĉo. Ĝi faras tion, kion oni nomas sintezo per formantoj: ĝi kalkulas la frekvencojn, kiuj formas ĉiun vokalon kaj ĉiun konsonanton, kaj fabrikas ilin. Tial la tuta programo, kun ĉiuj lingvoj, okupas nur kelkajn megabajtojn, kaj tial ĝi sonas kiel maŝino. Ĝia paĝo diras tion rekte: la voĉo estas klara kaj uzebla je granda rapido, sed ne tiel natura kiel tiu de programoj faritaj el registraĵoj de homoj.
De kie ĝi venas kaj kiom ĝi kostas?
Ĝi estas senpaga kaj libera, laŭ la permesilo GPL 3. Ĝi havas longan historion: ĝi naskiĝis en 1995 kiel «speak», programo de Jonathan Duddington por la komputiloj Acorn; en 2007 ĝi ricevis la nomon eSpeak, kaj fine de 2015 aliaj homoj daŭrigis ĝin sub la nomo eSpeak NG («nova generacio»). La lasta versio estas la 1.52, de la 12-a de decembro 2024.
En kiuj lingvoj ĝi parolas?
Ĝia listo diras, ke la versio en disvolviĝo parolas 127 lingvojn kaj akĉentojn. Inter ili estas Esperanto (eo), la kataluna (ca) kaj la hispana de Hispanio kaj de Latinameriko.
Esperanton ĝi parolas sufiĉe bone, laŭ la provoj, kiujn ni faris la 12-an kaj la 20-an de septembro 2026: la ses supersignitaj literoj sonas ĝuste (ĉ, ĝ, ĥ, ĵ, ŝ kaj ŭ), la akcento falas sur la antaŭlasta silabo, ĝi legas la nombrojn en Esperanto —1887 sonas «mil okcent okdek sep»— kaj komprenas la x-sistemon. Ĝi eraras ĉe la h-sistemo, kaj «WhatsApp» ĝi legas angle.
Por kio ĝi utilas?
- Por homoj, kiuj ne vidas aŭ vidas malmulte. La ekranlegilo NVDA, libera kaj por Windows, havas ĝin defaŭlte. En Windows oni ankaŭ povas instali eSpeak NG kiel voĉon de la sistemo (SAPI5), kaj tiel aliaj ekranlegiloj uzas ĝin.
- Por aŭdi, kiel sonas vorto aŭ frazo en Esperanto, en vortaro, vortlisto aŭ ludo.
- Kiel parto de aliaj programoj. Piper, la programo kun natura voĉo, uzas ĝin interne por scii, kiel prononciĝas ĉiu vorto.
Kiel oni provas ĝin?
Ĝi funkcias en Linukso, Windows, macOS kaj Android. Por Windows kaj Android la instalilo troviĝas en la paĝo de la lasta versio: espeak-ng.msi por Windows kaj .apk por Android. En Ubuntu kaj Debian oni instalas ĝin per sudo apt install espeak-ng.
El la terminalo, la teksta fenestro de la komputilo, oni faras tiel:
espeak-ng -v eo "Saluton! Mi lernas Esperanton."
-v eo elektas Esperanton; per -v ca ĝi parolas en la kataluna kaj per -v es en la hispana. -s ŝanĝas la rapidon, en vortoj po minuto, kaj -p la tonalton, de 0 ĝis 99: -s 130 -p 35 donas legadon pli malrapidan kaj pli malaltan ol la defaŭlta. Kaj -w provo.wav konservas la sonon en dosiero anstataŭ diri ĝin laŭte.
Kion ĝi ne faras, klare dirite
- Ĝi sonas kiel roboto. Por legi longan tekston, videon aŭ kurson, ĝi lacigas: por tio ekzistas neŭralaj voĉoj kiel tiu de Piper.
- En la komputilo ĝi ne havas propran fenestron: oni uzas ĝin skribante ordonojn, aŭ per alia programo, kiu enhavas ĝin, kiel NVDA.
Resume
eSpeak NG estas la tradicia maŝina voĉo: libera, malgranda, rapida kaj kun pli ol cent lingvoj, inter ili Esperanto. Ĝi ne taŭgas por rakontado, sed ĝi estas tiu, kiun havas NVDA, kaj tiu, kiu ebligas al aliaj programoj, kiel Piper, scii prononci.
Fontoj
- eSpeak NG, ĝia paĝo en GitHub, kaj la listo de lingvoj, konsultitaj la 28-an de oktobro 2026.
- La versio 1.52 kaj ĝiaj instaliloj: la lasta versio en GitHub.
- NVDA havas eSpeak NG defaŭlte: gvidilo de NVDA, la parto pri la voĉoj.
- Piper, kiu uzas eSpeak NG interne: ĝia paĝo en GitHub.
Legi en: