Je to měsíc co jsem vyzkoušel podporu češtiny pro převod mluveného slova na text (speech-to-text) a byl jsem příjemně překvapen přesností a kvalitou. Současně jsem otestoval obrácený směr, tedy syntézu řeči. Microsoft používal pouze standardní model, ale Jakub na rozdíl od paní z Google podle mě lépe pracoval s rytmem řeči a intonací ve větách. Ale Kuba neměl pod sebou hluboký neurální model, tak zněl dost jako robot. O měsíc později ale shodou okolností Microsoft rozšířil podporu jazyků pro text-to-speech s neurálním modelem a kromě Jakuba přišla Vlasta. Podle mého ucha zní naprosto úžasně, co myslíte vy?
Nejprve jsem si v Azure založil Speech objekt.
Následně na stránce speech.microsoft.com můžu použít GUI. To slouží primárně pro pokročilé metody, které pro češtinu k dispozici nejsou. Jedná se o možnost vytvářet vlastní hlasové tóny a spousta další pozoruhodných věcí, na které se podívám někdy příště. Já použiji sekci Audio Content Creation.
Takhle vypadá text pro Jakuba, standardní model.
A takhle Vlastička.
Totéž jsem udělal v Google.
Tady jsou odkazy na výsledné soubory se načteným textem, který jsem jim připravil.
Jakub (Microsoft, starší model): mp3
Vlasta (Microsoft, neurální model): mp3
Google (neurální model): mp3
Mimochodem - neurální model má i Viktoria, Slovenská kolegyně, takže dnes už i tento jazyk funguje obousměrně! Více o podpoře jazyků najdete tady.
Za mě tedy Vlasta jednoznačně nejlepší - co myslíte vy?