eSpeak

El 25 de junio de 2010, ^{[ 15 ]} Reece Dunn inició una bifurcación de eSpeak en GitHub utilizando la versión 1.43.46. Esto comenzó como un esfuerzo para facilitar la compilación de eSpeak en Linux y otras plataformas POSIX .

El 4 de octubre de 2015 (6 meses después del lanzamiento de eSpeak 1.48.15), esta bifurcación comenzó a divergir más significativamente del eSpeak original. ^{[ 16 ] [ 17 ]}

El 8 de diciembre de 2015, se debatió en la lista de correo de eSpeak la falta de actividad de Jonathan Duddington durante los ocho meses anteriores a la última versión de desarrollo de eSpeak. Esto derivó en conversaciones sobre la posibilidad de continuar el desarrollo de eSpeak en ausencia de Jonathan. ^{[ 18 ] [ 19 ]} El resultado fue la creación de la bifurcación espeak-ng (Next Generation), que utiliza la versión de eSpeak de GitHub como base para el desarrollo futuro.

El 11 de diciembre de 2015 se inició la bifurcación espeak-ng. ^{[ 20 ]} La primera versión de espeak-ng fue la 1.49.0 el 10 de septiembre de 2016, ^{[ 21 ]} que contenía una limpieza de código significativa, correcciones de errores y actualizaciones del lenguaje.

Existen muchos idiomas (en particular el inglés ) que no tienen reglas directas de correspondencia uno a uno entre la escritura y la pronunciación; por lo tanto, el primer paso en la generación de texto a voz debe ser la traducción de texto a fonema.

1. El texto introducido se traduce a fonemas de pronunciación (por ejemplo, el texto introducido xerox se traduce a zi@r0ks para su pronunciación).
2. Los fonemas de pronunciación se sintetizan en sonido, por ejemplo, zi@r0ks se sonoriza como{{#parsoidfragment:27}} zi@r0ks de forma monótona^ⓘ

Para añadir entonación al habla, es necesario contar con datos prosódicos (por ejemplo, acento de sílaba, tono ascendente o descendente de la frecuencia fundamental, pausa, etc.) y otra información que permita sintetizar un habla más humana y menos monótona. Por ejemplo, en el formato eSpeakNG, la sílaba acentuada se añade mediante un apóstrofo: z'i@r0ks, lo que proporciona un habla más natural.{{#parsoidfragment:30}} z'i@r0ks con entonación^ⓘ

Para comparar dos muestras con y sin datos de prosodia:

1. [[DIs Iz m0noUntoUn spi:tS]] se escribede forma monótona^ⓘ
2. [[DIs Iz 'Int@n,eItI2d sp'i:tS]] se escribeforma entonada^ⓘ

Si eSpeakNG se utiliza únicamente para la generación de datos de prosodia, dichos datos pueden utilizarse como entrada para las voces difonicas de MBROLA .

El eSpeakNG proporciona dos tipos diferentes de síntesis de voz de formantes utilizando sus dos enfoques diferentes. Con su propio sintetizador eSpeakNG y un sintetizador Klatt : ^{[ 22 ]}

1. El sintetizador eSpeakNG crea sonidos de habla sonora, como vocales y consonantes sonoras, mediante síntesis aditiva, combinando ondas sinusoidales para generar el sonido final. Las consonantes sordas, como /s/, se crean reproduciendo grabaciones de audio ^{[ 23 ]} , ya que son ricas en armónicos, lo que reduce la eficacia de la síntesis aditiva. Las consonantes sonoras, como /z/, se crean mezclando un sonido sonoro sintetizado con una muestra grabada de sonido sordo.
2. El sintetizador Klatt utiliza principalmente los mismos datos de formantes que el sintetizador eSpeakNG. Sin embargo, también produce sonidos mediante síntesis sustractiva , partiendo de ruido generado, rico en armónicos, y aplicando filtros digitales y envolventes para filtrar el espectro de frecuencia y la envolvente de sonido necesarios para obtener sonidos consonánticos (s, t, k) o sonoros (l, m, n) específicos.

Para las voces de MBROLA , eSpeakNG convierte el texto en fonemas y sus correspondientes contornos de tono. Luego, envía esta información al programa MBROLA mediante el formato de archivo PHO, capturando el audio generado por MBROLA. Posteriormente, eSpeakNG procesa dicho audio.