Elhuyarren TTS neuronala :

Ahots pertsonalizatuak

Azalpen orokorra

Elhuyarren TTS neuronala testua hizketa bihurtzen duen sistema da, eta Orai-ren teknologia baliatzen du. Elhuyarren hizketa automatikoak adimen artifizialean oinarritutako teknologiaren bidez sortzen dira.

Elhuyarrek bere TTS ahots propioak eskuragarri jartzeaz gain, TTS ahots pertsonalizatuak sortzeko aukera ere eskaintzen du. Sei hizkuntzatan erabil daiteke, eta, horrela, erabiltzaileek aukera zabalagoa dute eduki zehatzak zein testu solteak automatikoki hizketa bihurtzeko. Gainera, ahots pertsonalizatu bat sei hizkuntza horietako edozeinetan hizketa sortzeko baliatu daiteke, nahiz eta ahots pertsonalizatua sortzeko grabaketak hizkuntza horretan ez egin. TTS sistema ahots batentzat berariaz entrenatu gabe ere, lagin txiki baten ahotsa imitatzen duen hizketa ere sor daiteke. TTS ahots horiek erabiltzeko hainbat aukera daude: ttsneuronala.elhuyar.eus webguneko kutxa erabilita, webguneetan barra irakurlea txertatuta nahiz REST API bidezko integrazioak eginda.

Erronka

Testutik hizketarako sistema modernoek (TTS) erronka handiak dituzte konplexutasunean eta gaitasunetan aurrera egin ahala. Ahotsaren klonazioak fideltasun eta adierazkortasun handia eskatzen du entrenamendu datu minimoekin. Entrenamendu espliziturik gabeko ahots berri baten sintesia du helburu zero-shot TTSak, baita prosodia naturala eta hiztunen imitazioa mantentzea ere. Elearteko TTSak beste konplexutasun-geruza bat gehitzen du, ahoskera eta intonazio zehatza eskatzen baititu hizkuntza ugaritan, askotan hiztun bakoitzeko datu eleaniztun mugatuak izanik. Gaitasun horiek eraginkortasun konputazionalarekin eta denbora errealeko errendimenduarekin orekatu behar dira.

Elkarlana

Adimen artifizialean eta sare neuronaletan oinarritutako Elhuyarren baliabideek Oraik garatutako punta-puntako teknologia erabiltzen dute, eta etengabe eguneratzen joaten gara.

Emaitza

Benetakoak diruditen ahots pertsonalizatuak sei hizkuntzatan sortzeko aukera ematen du TTS neuronalak, baita webguneetan barra irakurlea jartzeko eta aplikazioetan API bidez ahots sintetikoak integratzeko ere.