SteosVoice CIS

🔥2 новых голоса на платформе! Дорогие друзья, мы добавили два новых английских голоса на платформу и в телеграм бота из игры Cyberpunk 2077 (на основе английской локализации):

👉🏻 Johnny Silverhand (Keanu Reeves);
👉🏻 Delamain.

Теперь они могут озвучить всё, что вы пожелаете! Протестировать можно здесь. #новости

🤖 Синтез речи под капотом В одном из прошлых постов мы говорили, что дефекты синтезированного звука, такие как метал и дрожание, возникают в результате преобразования очень сжатых данных в аудиофайл и для наглядности приводили пример с картинкой. Но как происходит преобразование текста в речь? Практически любая современная система для синтеза речи работает на основе двух моделей - синтезатора и вокодера. Синтезатор - это система, которая генерирует промежуточное представление звука. Чаще всего в качестве представления используется мел спектрограмма - сжатое представление звука, которое содержит больше всего информации на тех частотах, на которых слышит человеческое ухо. Если сравнивать это с примером про картинки, то спектрограмма это изображение размера 32х32. Вокодер - это система, задача которой преобразовать сжатое представление звука в аудиофайл. Вокодер всегда работает в связке с синтезатором и использует данные, генерируемые синтезатором. Разобравшись с этими двумя понятиями, вы, наверное, уже догадались, что именно вокодер выступает узким местом в данной системе, поскольку именно он отвечает за то, насколько "чистым" будет звук. Если мы снова вернемся к примеру с картинками, то его задача детализировать изображение 32х32 в изображение 256х256. А для того, что бы вы могли понимать как звучат аудиофайлы перед обработкой вокодером и после, мы прикрепили их к сообщению. Для самых любознательных: поскольку синтезатор создает мел спектрограммы, которые сами по себе не являются звуком, мы использовали алгоритм Гриффина-Лима для реконструкции сигнала и создания аудиофайла. #разработка