我们所有人都以某种方式遇到了视觉障碍的用户。那些负责UI的人员，无论是网站，移动应用程序还是任何其他软件，都最有可能知道需要考虑这些人的需求，因此制定了增加对比度，放大字体等模式。
但是，如果用户完全失明并且所有这些模式都不能使他的生活更轻松，该怎么办？这是屏幕阅读器和声音合成器进入竞技场的地方，这是他们无法没有的。我今天想告诉你其中的一个。
它从RhVoice调用，并在Habré的几本出版物中提到。但是您知道吗？很多人认为它是俄语（不仅是俄语）语音的最佳免费合成器，它是由完全盲目的开发商Olga Yakovleva独自编写的吗？
今天，我们恢复了历史正义，并从总体上了解了合成器本身，尤其是奥尔加。
让我们立即 打开所有卡：合成器github合成器
代码在GPL下免费分发，这意味着任何人都可以将其集成到他们的产品中。在以下三个平台上可用：Windows，Linux和Android。Olga仅是开发人员，并且在Linux中工作。俄语语音的最好的（开源的）合成器，它由用户自己考虑，并且不仅是视力不佳的人。合成器在其工作中使用统计参数合成，并且基于HTS等现有项目的开发，并发表科学研究。它是一种混合的深度神经网络，可与隐马尔可夫模型一起使用。这种网络的任务是基于可观测值来解决未知参数。可以认为这是最简单的贝叶斯网络。 HTS本身基于另一个项目HTK的开发。但是在这里，我们最感兴趣的是一些开发已免费发布，包括对算法和应用技术的描述。
合成器本身被定位为日常工作的工具。它可以用于诸如发声书之类的更具创造性的目的，但是当人们讲话时它仍然会更好。
Olga大约10年前开始了她的项目，当时她开始学习Linux，但在那里找不到适合自己的合成器。她使用特殊的盲文显示器自己编写了所有代码。这是一种特殊的设备，旨在以六个点盲文字符的形式显示文本信息。她还使用JAWS，这是一种屏幕阅读器，可将其历史追溯到DOS，并且是在盲人的积极参与下创建的。
现在已经进行了介绍，让我们更深入地研究语音合成器的世界。
什么是语音合成器，它包括什么？
传统上，任何合成器都由两部分组成：语言组件和语音信号生成组件。语言组件分析从屏幕阅读器接收到的文本。它的任务是将文本分解为句子，将句子分解为短语，单词和音节。最后，将构建所有单词的转录并从中创建声音映射（众所周知，这并不总是以书面形式或说出来的）。可以使用不同的研究深度来进行此分析。例如，RhVoice缺乏用于复杂操作的资源，例如定义句子或词性中的角色。但是无论如何，在解析的最后，我们得到了一组声音，语音信号生成组件必须使用预先录制的声音来组合声音。稍后我们将更详细地介绍每个组件。
演示使用合成器
奥尔加的故事
奥尔加（Olga）居住在Cheboksary，毕业于楚瓦什州立大学数学系，并担任程序员。像所有盲人一样，她在专门学校学习。最初，在下诺夫哥罗德的一所学校有6个班级，因为当时切博克萨雷（Cheboksary）没有任何地方可以接纳完全失明的儿童。但是六年后，她仍然设法返回家乡，奥尔加在切博克萨雷完成学业。在同一所学校，奥尔加（Olga）爱上了数学，后来允许她进入数学系。在某个时候，她考虑加入内河运输，但在这里，她自身能力的不确定性起了作用。是的，在数学学院的毕业生中有几位是盲人，在介绍性面试中，院长说他们的程序员比内河理工学院有更好的准备。
奥尔加（Olga）拥有她第一次在学校而不是在大学工作的计算机的第一次使用经验，在图书馆中，他们购买了配备供盲人使用的特殊计算机，并安装了JAWS程序（自1989年以来一直引领着它的屏幕阅读器）。她在那里学习了莎拉·莫利（Sarah Morley）著名的Windows 95教科书。最有可能的是，您现在会感到惊讶，因为您从未听说过如此著名的教科书是什么？答案在于其名称：“盲人和视障人士使用的Windows 95”...这些教科书与我们大家熟悉的教科书之间的主要区别在于，重点在于描述各种对象和管理它们的选项。因为对于盲人来说，“单击下拉列表并选择所需菜单项”形式的指令有些用处。他们看不到屏幕，鼠标光标等等，甚至不知道窗口和下拉列表的外观。顺便说一句，正因为如此，另一个不明显的细微差别出现了-盲人可能是所使用合成器位的人质。因此，五年前，在向Windows 8过渡的过程中，许多人都面临语音合成器对64位应用程序缺乏支持的问题，因此改用了已经实现了该支持的RhVoice。
但是，让我们回到奥尔加刚刚开始为自己探索新领域的时代。然后，语音合成器是带有Nikolay声音的Digalo程序。这是一个规范的捆绑，以至于任何上线的人都可以听到其工作结果。他的声音可以被视为“机器人”一词的同义词，因此他进入了互联网文化并被YouTube上无数的视频所使用。这可能就是为什么绝对多数人确信Digalo是Nikolai的姓氏的原因。
Digalo Nikolay的所有荣耀
开始自己的项目
Olga进入合成器世界的旅程始于2010年左右，当时是为Festival合成器开发了NVDA（非可视桌面访问）驱动程序。 NVDA是一种免费的屏幕阅读器，可让视障人士和盲人与他们的计算机完全互动。类似的程序类别包括语音合成器和输出到盲文显示器的功能。
多亏了音乐节，奥尔加（Olga）投入了语音合成器的世界，发现不仅商业公司，而且还有任何希望有机会让计算机讲话的人。当时，已经有几种开放式语音合成器，主要由研究语音合成技术的科学家分发。
因此，奥尔加（Olga）在同一个音乐节期间，根据经验丰富的同事的作品进行了首次实验。它是由Alan Black领导的一组科学家于1995年创建的学术语音合成器。他们开发了合成方法，并根据研究结果制作了自己的合成器，最初只是证明其工作成果。随着时间的流逝，一个同等重要的项目FestVox被添加到其中，使您可以生成新的人工声音，并且最重要的是它还附带了不错的文档。那时，音乐节已经有了亚历山大的俄罗斯声音，而且演说基础还不错。
什么是语音基础：就RhVoice而言，这些是一千多个特殊句子，由说话者以清晰，无感情的发音朗读。这些句子的选择必须包含所有双音，即两个音素的所有组合。最好每次都进行多次以获得更大的可变性。根据回忆，在第一个版本中使用了大约600个短语。此外，合成器可以从这些音素中形成任何单词。在英语中，这种方法称为单位选择，而在我国，这种方法称为语音单位选择方法。是的，不是最时尚，最年轻的，但它像铁一样可靠地工作。每个句子都被输入基础并进行分析：确定声音，确定它们在音节中的位置，在单词中在句子中。各个音素被分类，它们相对于彼此的位置等等。在反向操作（即语音合成）中，对于从转录获得的每个音素，您只需从数据库中选择最合适的（读：关闭）示例。有时可以找到严格的对应关系，有时则必须满足于最相似的内容。在语言学家的世界中，这被称为理论和实践语音，并不是昨天才发明的。因此，如果不阅读有关语音的教科书，就不可能从事语音合成器。顺便说一下，莫斯科国立大学出版了特别好的教科书。在语言学家的世界中，这被称为理论和实践语音，并不是昨天才发明的。因此，如果不阅读有关语音的教科书，就不可能从事语音合成器。顺便说一下，莫斯科国立大学出版了特别好的教科书。在语言学家的世界中，这被称为理论和实践语音，并不是昨天才发明的。因此，如果不阅读有关语音的教科书，就不可能从事语音合成器。顺便说一下，莫斯科国立大学出版了特别好的教科书。
在哪里获得这些优惠？您可以写自己，但这是一项相当艰巨的任务，有两种替代方法。您可以事先接受某人的书面文字，但这可能会侵犯版权或花费个人金钱。因此，某些声音的作者使用了维基百科的文本。对于英语或俄语等大型语言，您可以在此处轻松找到必要的示例。在这种意义上，小语言不是幸运的。例如，此技巧不适用于白俄罗斯语维基百科。
语言和语音有什么区别？毕竟，七年前还没有乌克兰人或塔塔尔语播音员。它们如何出现在合成器中？
语音合成器中的声音
一切都始于对该语言的分析，该分析包括创建一个数据库，该数据库正式描述了该语言的语音系统。这样的基础已经可以由某人制造并在市场上出售（非常可观的价格）。否则，您必须自己做。为了分析每种语言，需要开发一个单独的程序，这可能需要长达一年半的时间，具体取决于语言的复杂程度。例如，意大利语在语音合成方面非常简单，而阿拉伯文和中文等语言则极其复杂。但是平均而言，一年会创建一个语言分析器。准备就绪后，便已写入声音。这已经花费了大约三个月的时间。在工作室里录制画外音和其他作品需要两到三个星期。这是由于事实演讲者一天可以讲四个小时，讲的质量和优美。然后他累了，听起来不再干净。如果您认为这是愚蠢的，那么不会-对这些记录的质量提出非常严格的要求。商业公司进行整个转换，不仅选择声音的主观美感，而且在可能的情况下，在合成器中为特定的语言使用特定的声音。
然后，根据数据库将记录分成多个块，然后使用语言解析器将这些块组合在一起。也就是说，分析这是一个名词，这是一个动词，它紧挨着它，这意味着它应该听起来像这样，并且用最接近的音素代替。因此，分析器的作用非常重要：它不仅必须考虑单词中音节的排列，还必须考虑句子和标点符号中单词的排列。所有这些都会影响发音。在某些语言中，根据同一个单词是名词还是动词，其发音可能有所不同。
但这更多地是商业产品的途径，其产品的创造者拥有进行如此深入研究的资源。独立开发人员使用更简单的选项：没有按词性进行完整分类，但是，例如，仅在独立词/介词/联合等级别上。 Olga进一步走了自己的道路，并根据教科书和语音文章撰写了语言模块。幸运的是，已经有足够的有关该主题的已发表研究。
您是否注意到大多数合成器首先具有女性声音？这不是因为作者的喜好，而是因为发展女性声音的复杂性。女性的声音自然更高，高频比低频更难处理。而且，如果您设法营造出女性的声音，那么肯定会有男性的声音。但是相反，这不是事实。
就奥尔加而言，这是对这个话题的个人热情，甚至是必要的。商业发展如何？他们如何决定添加哪种语言和不添加哪种语言？一切的答案就是金钱。第一个显而易见的选择是分析新声音的潜在销售市场。简而言之：该国的经济水平如何，其居民是否有钱购买其产品。第二个激励措施已经更加有趣了。政府或其他组织希望为特定语言创建语音合成。因此，语音合成器是为非常小的语言制作的，仅仅是因为有人照顾了这一点并为开发分配了资金。并且，例如，在斯堪的纳维亚国家，法律规定盲人和视障人士必须可以访问所有书面文件。因此，任何出版的报纸都应该有自己的音频版本。
并了解价格的顺序：从私人公司开发新声音的成本大约为10到4万欧元，具体取决于语言的复杂程度。分析仪模块的开发成本要高出许多倍。关于RhVoice，Olga有原则的立场-她的项目将永远是免费的。那么播音员的钱从哪里来？在最初阶段，有志愿者提供帮助。他们有自己的工作室，并愿意为播音员付费，所以奥尔加只能发送一份配音提案列表。这就是RhVoice中出现几种新语言的方式。然后他们开始向她提出具体要求。
但是进一步发展的命运取决于在免费访问中找到必要的资源。例如，以前没有针对乌克兰语言的开放式压力词典，并且在不知道如何放置压力的情况下构建合成器是不可能的。现在已经添加了，但是已经完成了很多工作。就材料的可获得性而言，俄语更为幸运。创作者将佳能语音“ Alexander”公开发布，这使奥尔加得以开始她的第一个创建语音合成器的实验。
如果您根本不了解该语言，该如何创建合成器？按照惯例，您会说俄语和英语，但是会被要求发展阿拉伯语吗？没有技术上的限制，主要是要在Internet上找到有关该语言，其结构的一些文章和材料，甚至向语言学家咨询。这可能足以开发出初始语音合成器。实际上，总的来说，开始信息的数量是标准的：音素列表，从字母表示到发音的转录规则，有关语音辅助部分的详细信息等。主要问题将是，如果没有母语人士的参与，开发人员将无法验证其工作结果。讲母语的人不仅应该给出清晰/难以理解的反馈，而且还应该解释出哪里出错了的所有微妙之处。就RhVoice而言，塔塔尔语已变得如此困难。语言学家为奥尔加提供了很多帮助，她与喀山盲人和视觉障碍者图书馆的代表联系，并发起了这些作品。在合成器的工作过程中，编写了另一本词典，其中列出了从俄语借来的单词的正确发音。因此，借贷听起来完全符合塔塔尔语的语言，而不是俄语。这样的词典是由专业语言学家编写的，这很好。例如，没有针对吉尔吉斯斯坦语的此类词典，并且存在许多问题领域，而解决问题的方法尚未从技术上简单地找到。在合成器的工作过程中，编写了另一本词典，其中列出了从俄语借来的单词的正确发音。这样借贷听起来就完全符合the语的规则，而不是俄语。这样的词典是由专业语言学家编写的，这很好。例如，没有针对吉尔吉斯斯坦语的此类词典，并且存在许多问题领域，而解决问题的方法尚未从技术上简单地找到。在合成器的工作过程中，甚至编译了一个单独的词典，以正确读出从俄语借来的单词。因此，借贷听起来完全符合塔塔尔语的语言，而不是俄语。这样的词典是由专业语言学家编写的，这很好。例如，没有针对吉尔吉斯斯坦语的此类词典，并且存在许多问题领域，而解决问题的方法尚未从技术上简单地找到。
一个单独的问题是压力放置。在某些语言中，压力的位置是可以预测的，但是在相同的俄语和乌克兰语中，您不能没有字典。此外，还有基于这些词典的压力预测算法。但是，如果没有基本词汇，就不可能做到这一点。
将来会怎样？相反，用户最常要求什么新功能或对现有功能的改进？这里无可争议的领导者是添加一种或另一种语言的请求。正在开发新语言，但是如上所述，这不是很快，并且需要外部专家的帮助。而且，许多人要求提高声音质量，以使其更接近自然。但是，使用Olga可用的工具，此处将不会有重大改进。诚然，从一个版本到另一个版本，声音仍然会发生变化。
现在，奥尔加（Olga）希望以类似C的低级语言编写的神经网络现成的组件能够出现，它们可以在移动设备上提供足够的性能。而且，如果它在手机上启动，那么它将在其他平台上运行。这样的项目已经在开发中，然后她将能够重新制作自己的合成器。要解决的另一个重要问题是，没有一种简单直接的方法可以在RhVoice中添加您自己的语言和语音。有些人愿意为此工作付出代价，但问题是经典的：有很多要求，奥尔加是一个要求，就像在大多数有趣的项目中一样，代码库是一个神奇的森林，对于除创建者以外的其他人来说，这是致命的任务。 ...在大多数此类项目中，开发人员会为希望的人提供一套工具和文档，通过了解语言的语音并掌握其余知识，您可以创建自己的语言模块。到目前为止，奥尔加一无所有。但是有计划这样做。
最后，我想说的是，由于一位热心人，多年来所做的非常出色。谢谢你，奥尔加
如果您还想感谢Olga的无私工作，甚至参与RhVoice的开发，以您的知识，最佳实践或赞助来帮助该项目，那么您可以通过她的github联系Olga来做到这一点。
