انتشار عمومی ابزار Luel Speech؛ تبدیل متن به گفتار برای زبان‌ها و گویش‌های کم‌برخوردار

معرفی

ابزار Luel Speech یک محصول تبدیل متن به گفتار (TTS) ویژه زبان‌های کم‌برخوردار است که توسط شرکت داده‌های صوتی Luel توسعه یافته است. جزئیات عرضه عمومی این محصول در پست وبلاگ رسمی Luel منتشر شده است.

پیش‌زمینه ماجرا از این قرار است که فناوری‌های تجاری گفتار تنها حدود یک درصد از زبان‌های جهان را پوشش می‌دهند؛ حتی زمانی که صدایی برای یکی از گویش‌های عربی وجود داشته باشد، اغلب بر پایه زبان رسمی و نوشتاری آموزش دیده است، نه گویش‌های محاوره‌ای و روزمره. هم‌چنین زبان‌های تبتی (گویش Ü-Tsang) و دزونگخا (زبان رسمی بوتان) به‌ندرت در پلتفرم‌های بزرگ دیده می‌شوند. ابزار Luel Speech دقیقاً این شکاف را هدف قرار داده و اکنون به‌صورت عمومی در دسترس قرار گرفته است.

ویژگی‌های برجسته این ابزار عبارت‌اند از:

• هشت صدا در چهار زبان: صداهای Dolma و Tenzin (تبتی Ü-Tsang با نرخ نمونه‌برداری ۴۸ کیلوهرتز)؛ Salma و Anir (عربی دارجه مراکش با نرخ ۲۴ کیلوهرتز)؛ Cleopatra و Mana (عربی مصری با نرخ ۲۴ کیلوهرتز)؛ و Pema و Jigme (زبان دزونگخا با نرخ ۴۸ کیلوهرتز)
• هر صدا با استفاده از مجموعه‌داده اختصاصی گویشوران بومی همان زبان ساخته شده است، نه با بهره‌گیری از یک مدل چندزبانه قرضی و عمومی
• شناسه‌های صوتی (Slug) ناشناخته به‌جای اینکه به‌صورت پنهانی با صدای دیگری جایگزین شوند، رد می‌شوند تا خطایی رخ ندهد
• امکان استفاده از طریق محیط Luel Speech Studio (با جای‌گذاری متن و انتخاب زبان و صدا) یا از طریق API (کیت توسعه نرم‌افزار تایپ‌اسکریپت با بسته @luel/speech)
• پشتیبانی‌شده توسط شبکه مشارکت‌کنندگان Luel (طبق اعلام شرکت، بیش از ۹۰۰ هزار مشارکت‌کننده در بیش از ۹۶ کشور جهان).

توضیحات فنی و ساختار

مشکل موجود

بیشتر پشته‌های فناوری تبدیل متن به گفتار، زبان‌های پرمنبع و رایج را در اولویت قرار می‌دهند. عرضه ابزار برای زبان‌های کم‌منبع و گویش‌های محاوره‌ای بدون در اختیار داشتن خطوط لوله اختصاصی داده، کار بسیار دشواری است. سرویس Luel Speech زبان‌های تبتی، دارجه مراکشی، عربی مصری و دزونگخا را در قالب صداهای آماده بهره‌برداری بسته‌بندی کرده است که از طریق محیط Studio یا API قابل فراخوانی هستند.

ساختار محصول

• محیط Studio: امکان آزمایش مستقیم در مرورگر بدون نیاز به نصب هیچ‌گونه افزونه یا نرم‌افزاری
• رابط برنامه‌نویسی (API): تنها با یک نقطه پایانی (Endpoint) و یک کلید؛ فراخوانی تابع luel.speech.convert({ voice, text }) فایل صوتی را برمی‌گرداند
• صداها دارای شناسه‌های دقیق و صریح هستند (مانند bo-female در مثال مستندات) تا دقیقاً همان صدایی را دریافت کنید که نام برده‌اید.

محدودیت‌ها

• مجموعه زبان‌های عمومی فعلی شامل چهار زبان و هشت صدا است؛ درخواست‌های خارج از این فهرست با خطا مواجه می‌شوند
• نرخ نمونه‌برداری (Sample rate) بسته به نوع زبان متفاوت است (۲۴ کیلوهرتز یا ۴۸ کیلوهرتز)
• در این گزارش هیچ عدد ساختگی برای میزان تأخیر (Latency) یا امتیاز کیفیت صوتی (MOS) ذکر نشده است، بنابراین برای مشاهده ارقام عملیاتی به مستندات رسمی Luel مراجعه کنید.

کاربرد و نحوه شروع

مخاطبان هدف

• محصولاتی که به قابلیت تبدیل متن به گفتار برای زبان‌های تبتی، دارجه، مصری یا دزونگخا نیاز دارند
• تیم‌های فعال در حوزه هوش مصنوعی صوتی، بومی‌سازی، آموزش و رسانه که قصد دارند این قابلیت را از طریق API یکپارچه‌سازی کنند.

شروع کار

1. مطلب معرفی رسمی Luel Speech را مطالعه کرده و صداها را در محیط Studio امتحان کنید
2. دستور npm install @luel/speech را اجرا کرده و متغیر LUEL_API_KEY را تنظیم نمایید
3. تابع speech.convert را به‌همراه یک شناسه معتبر voice موجود در مستندات و متن مورد نظر خود فراخوانی کنید
4. تنها به صداهای فهرست‌شده پایبند باشید و فرض را بر این نگذارید که سیستم برای زبان‌های پشتیبانی‌نشده به‌صورت خودکار از صدای جایگزین استفاده می‌کند.