Arrakasta kasuak
TOKIMEDIArako euskarazko TTSa:
Euskarazko hizketa-sintesiko (TTS) sistema berri bat garatu dugu TOKIMEDIA sare digitalerako, edozein testu digital podcast formatuan jartzeko, kazetari baten irakurketaren kalitatera hurbilduz; hala, testua entzuteko aukera emateko. Proiektuak bi berrikuntza nagusi ekarri ditu: ahots pertsonalizatuak sortzeko gaitasuna (grabazio gutxirekin) eta testu-kazetaritzarako adierazkortasun hobea, hizkuntza-ereduak (BERT, POS etiketak) TTS ereduarekin konbinatuz.
TOKIMEDIArako euskarazko TTSa:
Azalpen orokorra
Euskarazko hizketa-sintesiko (TTS) sistema berri bat garatu dugu TOKIMEDIA sare digitalerako, edozein testu digital podcast formatuan jartzeko, kazetari baten irakurketaren kalitatera hurbilduz; hala, testua entzuteko aukera emateko. Proiektuak bi berrikuntza nagusi ekarri ditu: ahots pertsonalizatuak sortzeko gaitasuna (grabazio gutxirekin) eta testu-kazetaritzarako adierazkortasun hobea, hizkuntza-ereduak (BERT, POS etiketak) TTS ereduarekin konbinatuz.
Erronka
Erronka nagusia edozein testu prosodia egokiarekin irakurtzen duen sare neuronala lortzea izan da, esaldi gutxirekin entrenatuta; kazetaritza-testuen zailtasunak (esaldi luzeak, entitate ugari) kontuan hartzen ditu, aldi berean entitate bakoitzak bere ahotsak aukeratu ahal izateko.
Elkarlana
Tokikom komunikazio-taldearentzat (TOKIMEDIA sarea) garatu da.
Emaitza
Hizlari bakoitzeko 150 esaldiko grabazioak bildu dira eta hizlari anitzeko FastPitch + HiFi-GAN sistema entrenatu da. Adierazkortasuna hobetzeko POS etiketak eta BERT bektoreak gehitutako bertsioak ere entrenatu eta ebaluatu dira, baina jatorrizko FastPitch eredua izan da emaitza onenak lortu dituena, eta hori jarri da produkzioan; gaur egun, Orai-ren zerbitzarietan martxan dago, eta TOKIKOM-ek zerbitzu gisa erabiltzen du API bidez.
