Milena polski syntezator mowy dla systemu Linux

• Opis
• Download
• Demo online
• Kontakt

Zainstaluj: milena-.tar.gz czyli wreszcie wersja końcowa.

Co to właściwie jest

Milena to system TTS (czyli coś przetwarzającego tekst na mowę), zorientowany na przetwarzanie "surowych" tekstów (artykuły prasowe, e-booki itp) i pisany od początku z myślą o języku polskim. Nie jest to w ścisłym znaczeniu syntezator mowy - Milena jedynie tworzy dane (tzn. realizuje fazę NLP) syntezy), a sama synteza mowy (w znaczeniu syntezy dźwięku, czyli DSP) to zadanie dla innego programu. W chwili obecnej Milena potrafi utworzyć dane dla syntezatora Mbrola, ale nic nie stoi na przeszkodzie aby zastosować inny silnik wymowy (np. eSpeak czy - po pewnych modyfikacjach - Ivona).

Mimo iż systemem na którym powstaje Milena jest Linux (sprawdzone działanie na PLD Th 32-bit [nieoficjalny spec], Ubuntu 8.10/9.04 32-bit i CentOS 5.2 64-bit), prawdopodobnie nie powinno być problemu z przystosowaniem Mileny do działania na innych systemach (w tym również Windows).

Milena tworzona jest z myślą przede wszystkim o użytkowniku - eksperymentatorze, stąd wszystkie pliki z których korzysta to zwykłe tekstowe pliki czytelne dla człowieka. Nie ma też (jak w eSpeaku) konieczności kompilacji, a pliki danych mogą znajdować się w różnych miejscach (np. główny plik translatora w katalogu instalacyjnym, a plik na którym eksperymentujemy w katalogu bieżącym). Kolejność przetwarzania reguł jest ściśle określona (Milena nie próbuje znaleźć "najlepszej pasującej" reguły, a w zależności od fazy przetwarzania stosuje pierwszą lub ostatnią pasującą). Do edycji tych plików nie jest również potrzebna znajomość jakiegokolwiek języka programowania.

Nie oznacza to, że Milena nie może być użyta po prostu jako syntezator mowy ogólnego przeznaczenia.

Podziękowania

Przede wszystkim Marcinowi Miłkowskiemu za jego Morfologika, bez którego powstanie Mileny byłoby niemożliwe.

<p role="ironia">Firmie Ivo Software, która tak długo zwleka z udostępnieniem Ivony Desktop, że zdążyłem przez ten czas napisać własny system TTS.</p>

Coś a la changelog

Różnice w stosunku do wersji 0.1.7

• Zmieniony algorytm ustalania akcentu pomocniczego (melodia powinna być bardziej naturalna).
• Rozpaczliwa próba odróżnienia "lady sklepowej" od "lady Makbet" (po włączeniu języka angielskiego).
• Poprawione algorytmy akcentowania jednosylabowych wyrazów na końcu frazy.
• Dodana korekta dla kilku błędnie wymawianych przez Mbrolę zbitek fonemów (np. "cz-samogłoska" na końcu frazy).

Różnice w stosunku do wersji 0.1.6

Wyłącznie poprawki techniczne. Usunięte błędy powodujące błędne akcentowanie mimo prawidłowo wprowadzonych reguł.

Różnice w stosunku do wersji 0.1.5

• Poprawki w kodzie (to już tradycyjnie) i słownikach.
• Instalator dla Ubuntu Linux (instaluje również mbrolę i pl1).
• Uwzględnienie "ubuncizmów" (stara wersja soxa) i "peeldyzmów" (lame hgw why wymaga podania -x).
• Skrypt dla kadu-notify-speech pozwalający podłączyć Milenę jako syntezator mowy zamiast "powiedz".
• Próba poprawienia jakości błędnie zapisanych samogłosek w pl1 (np. sekwencji "ts-o-_").

Różnice w stosunku do wersji 0.1.4

• Dodany podział na subfrazy w trybie lektorskim:
  przy dłuższej frazie Milena szuka miejsc w których można podzielić frazę. Miejscami takimi są ostatnie spójniki występujące między dwoma czasownikami. Po napotkaniu spójnika spełniającego ten warunek, jeśli poprzedzająca i następująca subfraza mają co najmniej cztery sylaby wstawiany jest punkt podziału, odpowiadający intonacji przecinka lub średnika (w zależności od następnej subfrazy) lecz z krótszą pauzą.
• Dodana możliwość tworzenia reguł zależnych od języka określonego w -L. Przykładowe reguły:

  letter q k
  [en]:uA	kw$
  [es]:uA k$
  :uA	kw$
  

  1. jeśli załadowany jest język angielski, zbitka "qu" z następującą samogłoską będzie wymawiana jak "kł" (np. "squid")
  2. jeśli załadowany jest język hiszpański, w powyższej zbitce zniknie "u" (np. "Marquez")
  3. jeśli nie jest załadowany żaden z powyższych języków, przyjmuje się wyraz pochodzenia łacińskiego wymawiany przez "kw" (np. "quantum")

  Dodatkowo dla języka hiszpańskiego uwzględniany jest akcent (oprócz 'ó').

• milena_say używa algorytmu konwersji zgodnego z milenizerem przy wymawianiu tekstu podanego w linii poleceń w kodowaniu innym niż ISO-8859-2.
• No i jak zwykle poprawki w kodzie.

Różnice w stosunku do wersji 0.1.3

• translator i moduł mbroli są teraz bibliotekami (libmilena.so i libmilena_mbrola.so). Dodano funkcje ułatwiające integrację Mileny z aplikacjami pomocniczymi.
• całkowicie zmieniony dykcjonarz, poprawione błędy w milenizerze.
• automatyczne wykrywanie czy w systemie jest libenca i w zależności od tego kompilacja milenizera z enca lub wbudowaną funkcją sprawdzania kodowania.
• dodane pliki umożliwiające współpracę ze speech-dispatcherem (umożliwia to między innymi użycie Mileny do współpracy ze screenreaderami).
• Dodane odczytywanie ułamków zwykłych w postaci licznik/mianownik (w ograniczonym zakresie wartości).
• W przeciwieństwie do pewnego Najlepszego Syntezatora™ Milena prawidłowo akcentuje zdania "mnie ma nie stać" i "mnie na nie stać" (próbuje wykryć czy "nie" to przypadkiem nie zaimek). Swoją drogą ciekawe, kiedy Najlepszy Syntezator się tego dorobi...
• i jak zwykle poprawki w kodzie.

Różnice w stosunku do wersji 0.1.2

• Drobne poprawki w kodzie i słownikach
• Dodane aplikacje pomocnicze (dykcjonarz, milenizer, milena_book)

Różnice w stosunku do wersji 0.1.1

• dodana dokumentacja frazera
• dodana wymowa (w translatorze) ciągów liter niewystepujących w języku polskim (sing,cing) lub rzadko występujących (tz, stein) oraz sekwencji litery "í" z następującą samogłoską (np. Díaz, María).
• dodana możliwość zakończenia zdania przez frazer, jeśli w czasie przetwarzania recognize stwierdzony zostanie prawdopodobny koniec zdania.
• dodanie w słowniku frazera możliwości wystąpienia opcjonalnego myślnika - (np. "pop~corn" pasuje do "popcorn", "pop corn", "pop-corn") oraz dopasowania dowolnego napisu do końca wyrazu.
• Usunięty błąd powodujący "PANIC" Mbroli w niektórych przypadkach przy obniżeniu wysokości głosu.
• Drobne poprawki w plikach translatora, słownika i frazera.

Różnice w stosunku do wersji 0.1

• modyfikatory wymowy pozwalające zmienić prędkość i wysokość fragmentu frazy
• umożliwienie ignorowania znaków sterujących frazerem
• umożliwienie wymawiania wszystkich znaków

Wymagania

1. gcc i gmake - do instalacji
2. mbrola i polski głos do mbroli - do tworzenia mowy
3. lame, sox, aplay czy cokolwiek - do owej mowy słuchania
4. libenca - przydatna (choć niewymagana) do skompilowania milenizera
5. libao - do skompilowania serwera milena_ws

Trochę więcej informacji

• README (trochę w skrócie i nie do końca aktualne, ale pozwala się zorientować).
• notacja fonetyczna zastosowana w Milenie (również nie do końca aktualna, w rzeczywistości w czasie tworzenia Mileny było tam nieco zmian, ale prawdopodobnie będą konieczne następne).