Ouça-as agora: a Demo de Vozes corre o Miro e a Dii ao vivo no seu navegador. Escolha uma língua, escreva uma frase e ouça. Sem instalação, sem servidor.
As pessoas recordam a voz de um assistente mais do que o seu nome. Por isso, a pergunta central da nossa parceria com o OpenVoiceOS é prática: com quem deve o assistente parecer-se, em todas as línguas?
A resposta é Miro (masculino) e Dii (feminino), duas identidades de voz que se mantêm ao longo de todas as línguas que o OpenVoiceOS suporta. Um utilizador que configura o assistente em Lisboa e mais tarde muda para alemão ouve o mesmo falante familiar em ambas.
Uma identidade, muitas línguas
A forma habitual de obter uma voz multilingue é treinar um único modelo em muitas línguas de uma só vez. Funciona, mas tende a borrar o resultado: os sotaques transbordam de umas línguas para as outras e a pronúncia fica aproximada.
Nós construímos antes um modelo por língua, cada um treinado apenas nessa língua. Para manter todos esses modelos a soar como a mesma pessoa, clonamos cada modelo monolingue do Miro a partir da mesma identidade de origem, e o mesmo para a Dii. Assim, um ouvinte obtém pronúncia de qualidade nativa em cada língua, e continua a reconhecer a mesma voz ao passar de uma para a outra.
Estes modelos são treinados e servidos com o phoonnx, a nossa framework aberta de TTS: construída sobre VITS (uma arquitetura neuronal de texto-para-fala), exportada para ONNX, e apenas em CPU na inferência. Correm totalmente offline, sem nuvem, sem chave de API e sem dados a saírem do seu hardware. Dentro do OpenVoiceOS, o plugin ovos-tts-plugin-phoonnx trata de as obter e carregar. Para a história completa do hardware e da arquitetura, veja TTS Que Corre numa Batata.
A investigação de G2P que o torna possível
Falar bem uma língua exige mais do que uma voz. Exige saber como a escrita deve soar. Esse é o trabalho da conversão grafema-para-fonema (G2P): transformar texto escrito na sequência de fonemas que o modelo pronuncia. Cada nova língua que abraçamos precisa primeiro da sua própria investigação de G2P, e essa investigação é a maior parte do verdadeiro trabalho.
O phoonnx consegue conduzir uma gama de fonemizadores: eSpeak, Gruut, Epitran, o ByT5 G2P baseado em modelos, e ferramentas específicas de cada língua onde os motores gerais ficam aquém. A nossa investigação de ortografia-para-IPA e os fonemizadores lusófonos que construímos para a família portuguesa alimentam o mesmo objetivo: IPA preciso para línguas que os grandes fornecedores de TTS nunca se deram ao trabalho de modelar com cuidado. Quando uma língua não tem um bom fonemizador pronto a usar, essa lacuna é o projeto. Fazemos primeiro a investigação de grafia-para-som, e depois a voz vem a seguir.
Dois modelos para cada língua pedida
A oferta que é o coração da parceria: para cada língua que alguém peça, construímos dois modelos de TTS, Miro e Dii. Isto é um compromisso permanente, não um roteiro. Peça uma língua, e o par chega até ela.
Queremos dizer todas as línguas, não apenas as que têm mais falantes. As línguas ameaçadas e minoritárias, as que o TTS mainstream ignora porque o mercado é pequeno, são exatamente o que queremos alcançar: comunidades que nunca tiveram uma voz sintética própria.
À data desta publicação, a coleção de modelos de TTS phoonnx no Hugging Face lista 13 línguas com pelo menos uma voz lançada. Oito dessas, basco, árabe, português europeu, asturiano, aragonês, frísio, occitano e espanhol colombiano, já têm tanto o Miro como a Dii disponíveis.
Aberto e auto-alojado
As vozes são gratuitas e de código aberto. Correm offline e auto-alojadas, para que nada do que diz saia do seu hardware. Toda a stack, o motor, os fonemizadores, a investigação de G2P e as vozes treinadas, é aberta para uma comunidade pegar e manter.
Se a sua língua ainda não estiver na lista, peça-a.