Potrzebna konsultacja od specjalisty z realnym praktycznym doświadczeniem w zakresie wdrażania, konfiguracji i szkolenia modeli TTS dla języka ukraińskiego.
Przykład TTS-owego nagrania, który jest dla mnie akceptowalny pod względem jakości, został dostarczony. Celem konsultacji jest zrozumienie, czy możliwe jest osiągnięcie jeszcze bardziej naturalnego brzmienia (maksymalnie zbliżonego do żywego ludzkiego głosu) oraz co dokładnie jest potrzebne z technicznego punktu widzenia.
Interesuje mnie rozwiązanie TTS z otwartym kodem, które można wdrażać lokalnie (self-hosted), bez korzystania z usług chmurowych, i które nadaje się do pracy w czasie rzeczywistym (rozmowy, boty głosowe).
Podstawowe wymagania:
wysoka szybkość generowania mowy
maksymalnie naturalna ukraińska wymowa
możliwość „humanizacji” głosu: lekkie pauzy, wariacje intonacji, nieidealna rytmika, drobne wady mowy, aby głos nie brzmiał robotycznie
możliwość uczenia lub douczenia modelu na konkretnych tekstach
możliwość tworzenia różnych stylów głosu dla różnych biznesów lub scenariuszy
Pytania, na które chcę uzyskać odpowiedzi w ramach konsultacji:
Jakie modele TTS open-source są obecnie najlepiej dopasowane do języka ukraińskiego?
Czy możliwe jest osiągnięcie jakości brzmienia lepszej lub wyraźnie bardziej naturalnej niż w dostarczonym przykładzie, i jakimi ścieżkami?
Jakie podejścia stosowaliście w praktyce (fine-tuning, wybór wokodera, zarządzanie prosodią, humanizacja itp.)?
Jakie zasoby są potrzebne do uczenia lub douczenia modeli (dane, czas, zasoby obliczeniowe)?
Jakie rzeczywiste ograniczenia dotyczące jakości i szybkości warto uwzględnić przy wdrażaniu?
Ważne: interesują mnie tylko specjaliści z realnym praktycznym doświadczeniem w zakresie wdrażania i szkolenia modeli TTS, którzy mogą to potwierdzić przykładami swoich prac. Teoretyczne konsultacje bez praktyki nie są brane pod uwagę.
Przykład, jak minimalnie pasuje i lepiej trzeba
https://drive.google.com/file/d/1b_LOxCzlFZStPOZCGUffa0dwAp2kg9hw/view?usp=drivesdk
