© 1990, 1991 Speech Research Laboratory, Minsk
© 2005 Igor Poretsky poretsky@mlbox.ru
© 2021 Boris Lobanov lobbormef@gmail.com
Адаптація для SAPI5 і росширення RU_TTS_EX © 2021 Sergey Parshakov (Electrik) support@electrik-spb.ru
Величезна подяка Тифлокомп За опубліковану інформацію про синтезатор мовлення RU_TTS, яку включено до цього документа.
Фонемафон - один із найстаріших синтезаторів мовлення, відомий старожилам ще з часів MS Dos. Легкий, швидкий, займає мало пам’яті. Саме з ним найчастіше асоціюється комп’ютерна ера дев’яностих.
Історія синтезаторів мовлення серії “Фонемафон” відраховується з початку сімдесятих років і впродовж усього цього часу пов’язана з ім’ям Бориса Лобанова, який керував цими розробками. Однак ще в 1959 році, проходячи строкову службу в лавах радянської армії на посаді старшого радіомайстра, Борис Лобанов, маючи достатню спеціальну підготовку і добре обладнану приладами радіомайстерню, задався питанням: “А як же влаштований природний мовленнєвий зв’язок між людьми?” Паралельно з вивченням звуків мовлення за допомогою мікрофона й осцилографа, він проводив свої відпускні в Петрозаводській бібліотеці, почав листуватися з відомою науковицею, професоркою Людмилою Чистович, і отримав від неї низку цінних порад з проведення досліджень мовлення. Зберігся документальний запис у щоденнику Лобанова, датований 25 жовтня 1959 року: “Фонемофон веде до фонемографа”.
Після завершення служби в армії в 1961 році Борис Лобанов вступив до інституту і продовжив займатися науковими дослідженнями в галузі аналізу мовленнєвих сигналів для систем розпізнавання і синтезу мовлення. У 1966 році він організував госпрозрахункову наукову лабораторію аналізу і синтезу мовленнєвих сигналів при кафедрі радіоприймальних пристроїв Мінського радіотехнічного інституту.
Після захисту дисертації в 1968 році Бориса Лобанова скерували на наукове стажування до Великобританії в 1969-1970 роках, де під керівництвом професора Единбурзького університету Р. Лоренца він провів успішні експерименти з синтезу звуків російського мовлення, які дозволили закласти основи формантного синтезу мовлення по фонемному тексту. В результаті вже в 1971 році під керівництвом Бориса Лобанова було створено автономний пристрій з ручним введенням тексту, який базувався на фонемно-формантному методі синтезу мовлення і вважається першим поколінням - “Фонемафон-1”. Пристрій був одним з перших синтезаторів російського мовлення, і його було відзначено двома медалями ВДНГ СРСР.
Удосконалена версія цього пристрою, яка стала другим поколінням синтезатора, - “Фонемафон-2”, в якій були оптимізовані характеристики формантних фільтрів, а введення тексту здійснювалося з перфострічки, з’явилася в 1975 році.
У 1979 році на міжнародній виставці Telecom-79 в Женеві було продемонстровано третє покоління пристрою - “Фонемафон-3”, де використовувався вже фонемно-артикуляторно-формантний метод синтезу мовлення. Введення тексту в нього було можливим як з ЕОМ, так і вручну з клавіатури. Пристрій також міг підключатися до телефонної лінії. До цього моменту синтезатор демонстрував здатність розмовляти не лише російською, але також англійською, французькою та німецькою мовами, хоча і з сильним російським акцентом, оскільки синтез мовлення відбувався на основі російських фонем.
У вісімдесятих роках почалося активне впровадження підсистем синтезу мовлення серії “Фонемафон” у різні промислові системи. Зокрема, в 1984 році з’явився перший в СРСР промисловий пристрій розпізнавання і синтезу мовлення - “Марс-1”, який серійно випускало ПО “Кварц” в Калінінграді під керівництвом конструктора Валерія Афанасьєва. На базі мовленнєвого терміналу “Марс-1” було розроблено систему автоматичного інформування абонентів міжміської телефонної мережі (АІАМТМ) про заборгованість за переговори. Система АІАМТМ була успішно впроваджена і тривалий час експлуатувалася в низці великих міст: Мінську, Новосибірську, Алмати, Фрунзе, Петропавловську-Камчатському. Ще одну розробку - систему контролю за параметрами апаратури телефонних і радіостанцій з оперативним оповіщенням чергового персоналу про виниклі неполадки - впровадили на Мінській, Московській і Зеленоградській АТС, а також на Білоруській республіканській радіоретрансляційній станції РТС-5.
У 1986 році, у співпраці з професоркою кафедри фонетики Мінського лінгвістичного університету Оленою Карневською, було розроблено англомовну версію синтезатора мовлення, яка демонструвалася на Всесвітньому конгресі фонетичних наук 1987 року. До цього моменту четверте покоління пристрою - “Фонемафон-4” - використовувало фонемно-алофоно-формантний метод синтезу мовлення і на додачу до чоловічого, отримало і жіночий голос.
Впродовж сімдесятих і вісімдесятих років у “Фонемафонах” використовувалися різні варіації формантного методу синтезу мовлення, а самі вони випускалися у вигляді автономних пристроїв. Однак в кінці вісімдесятих років Борис Лобанов запропонував новий фонемно-мікрохвильовий метод синтезу мовлення, в якому замість обчислень формантних коливань використовувався підготовлений заздалегідь набір мікрохвиль природного мовленнєвого сигналу. Цей підхід під керівництвом Бориса Лобанова в 1990 році реалізував інженер лабораторії розпізнавання і синтезу мовлення ІТК АН БРСР Олександр Іванов у вигляді програмного забезпечення для персональних комп’ютерів класу ЄС-1840 і IBM PC/XT. Починаючи з цього п’ятого покоління “Фонемафон-5”, для роботи з синтезатором було достатньо мати IBM-сумісний комп’ютер з тактовою частотою не нижче 10 мегагерц і оперативною пам’яттю не менше 640 кілобайт, а також операційну систему MS-DOS 3.30. Синтезатор міг розмовляти російською мовою чоловічим і жіночим голосами.
На базі “Фонемафона-5” науковий співробітник Інституту технічної кібернетики АН РБ Георгій ЛОСИК на початку дев’яностих років створив і поширив комплекти програмного забезпечення, які дозволили зробити роботу в середовищі MS-DOS доступною для незрячих користувачів.
Резидентні мовленнєві драйвери SDRV синтезатора “Фонемафон-5”, ліцензовані міжнародною лабораторією інтелектуальних систем “БелСИнт”, довгі роки використовувалися у низці програмних продуктів для MS-DOS, які потребують функціональності синтезу мовлення, в тому числі в безлічі програм екранного доступу, таких як “Аргус”, “Сталкер” та інших.
На жаль, погіршення фінансування наукових розробок в дев’яностих роках призвело до зниження активності досліджень в галузі синтезу мовлення і до відходу багатьох фахівців, в тому числі інженерів-програмістів, які розробляли конкретні реалізації синтезаторів, що на тлі загальної плутанини призвело до сумних наслідків у вигляді втрати вихідного коду “Фонемафона-5”.
Однак синтезатор “Фонемафон-5” за рахунок своєї компактності і високої чіткості мовлення продовжував залишатися затребуваним багатьма людьми, що призвело до низки спроб його відродження і перенесення на новіші системи за допомогою дизасемблювання і зворотної розробки. Кілька подібних ініціатив закінчилися отриманням працездатних, хоча і не еквівалентних версій синтезатора “Фонемафон-5”, які розрізняються особливостями технічної реалізації, але до недавнього часу були об’єднані загальним неоднозначним правовим статусом.
Одним з найвдаліших проектів цього роду є зворотна розробка “Фонемафона-5”, яку здійснив Ігор Порецький у співпраці з Дмитром Падучіх в середині двохтисячних років з метою отримання російськомовного синтезатора мовлення для операційних систем GNU/Linux. Створений синтезатор отримав назву ru_tts і свого часу став знаковою подією, оскільки був першим прийнятним рішенням з синтезу російського мовлення для систем сімейства Linux.
Довгі роки з етичних міркувань, пов’язаних зі суперечливим правовим статусом ru_tts, вихідний код цього синтезатора мовлення не розкривався. Однак у 2021 році були проведені переговори, в результаті яких було отримано загальну згоду з боку Ігоря Порецького, який є автором програмної реалізації ru_tts, Дмитра Падучіх, який вніс помітний вклад на етапі початкового дизасемблювання резидентного мовленнєвого драйвера SDRV, і Бориса Лобанова, який був керівником лабораторії, що розробила “Фонемафон-5”, і є автором його конструктивних рішень, які лягли в основу ru_tts, про публікацію вихідного коду ru_tts на легальній основі під вільною ліцензією MIT.
Синтезатор ru_tts є альтернативною реалізацією “Фонемафона-5”, функціонально близькою до оригінального синтезатора для MS-DOS. Його код написаний мовою C і легко збирається під різні операційні системи, розрядності і процесорні архітектури. Код поширюється на умовах вільної ліцензії MIT і опублікований в репозиторії на GitHub.
RU_TTS_SAPI - це RU_TTS, підключений до платформи SAPI5 від Microsoft, сумісний з OS Windows. Підтримуються як X-86, так і X-64-розрядні версії Windows. Його можна використовувати як в “читалках” електронних книг, таких як “Балаболка”, “Говорилка” і т.д., так і в інших застосунках, які використовують синтез мовлення. А незрячі користувачі, котрі використовують такі продукти, як екранний диктор (Narrator), JAWS For Windows, WindowEyes, Cobra і т.д., можуть використовувати його як основний синтезатор мовлення для повсякденної роботи, насолоджуючись швидкістю, реакцією, можливістю задавати читання символів і деяких сполучень на свій смак.
Крім стандартних можливостей налаштування швидкості, тону й гучності, RU_TTS_SAPI має додаткові конфігурації, які розширюють лояльність до користувачів. Ви можете вибрати тип звучання, встановити паузи між розділовими знаками і при розподілі великого фрагменту тексту на блоки, ступінь виразності. До того ж, ви можете визначити як RU_TTS_SAPI повинен озвучувати російські/українські, латинські літери, або задати правильне читання сполучень латинських літер для вас.
Наразі RU_TTS_SAPI підтримує такі мови:
RU_TTS_SAPI не має окремої програми конфігурації, але ви можете створювати налаштування, редагуючи конфігураційний файл. Цей файл зберігається в кодуванні UTF-8, яке без проблем розпізнає Блокнот у Windows 10, Notepad++, Akelpad.
Щоб відкрити папку з конфігурацією, натисніть “WIN+R” і введіть:
%appdata%\RU_TTS_SAPI
Щоб відкрити безпосередньо конфігураційний файл “prefs.ini”, зробіть це за допомогою Провідника або натисніть “WIN+R” і введіть:
%appdata%\RU_TTS_SAPI\prefs.ini
[general]
sample_rate = 10000
intonation = 50
use_dictionary = 1
disable_decimal_fractions = 0
general_gap_factor = 100
comma_gap_factor = 100
dot_gap_factor = 100
semicolon_gap_factor = 100
colon_gap_factor = 100
question_gap_factor = 100
exclamation_gap_factor = 100
intonational_gap_factor = 100
silence_at_begin = 0
silence_at_end = 0
interpolation_multiplier = 1
interpolation_algorithm = 0
sample_rate - частота дискретизації синтезатора від 10000 до 11025 герц, початково 10000. Для любителів звучання старого Фонемафона краще залишити початкове налаштування. Якщо ви хочете отримати звучання, подібне до Speaking mouse, тоді встановіть значення параметра на 11025.
use_dictionary - використання словника. 0 - вимкнено, 1 - використовувати словник користувача, початково 1. Якщо ви бажаєте, щоб синтезатор читав як написано, варто вимкнути словник користувача,встановивши значення параметра на 0.
intonation - інтонація синтезатора, 0 - монотонно, 100 - дуже виразно, початково 50. Щоб вийшла інтонація, подібна до Speaking mouse, пробуйте змінювати значення параметра від 30 до 40.
disable_decimal_fractions - вимкнути читання десяткових дробів. 1 - вимкнено, 0 - увімкнено, початково 0. Набридло, що синтезатор читає десяткові дроби на зразок 0 цілих 45 сотих, встановіть значення параметра на одиницю.
general_gap_factor - загальна пауза між фразами від 0 до 500, початково 100. Щоб синтезатор не вставляв великі паузи між блоками фраз, пробуйте змінювати значення параметра на ту мінімальну величину, за якої мовлення буде нормально сприйматися.
Далі Йде короткий опис параметрів різних пауз після знаків пунктуації, і тут немає особливих рекомендацій, кожен користувач налаштовує на свій смак або використовує початкові значення.
comma_gap_factor - пауза після коми від 0 до 750, початково 100.
dot_gap_factor - пауза після крапки від 0 до 500, початково 100.
semicolon_gap_factor - пауза після точки с запятой від 0 до 600, початково 100.
colon_gap_factor - пауза після двокрапки від 0 до 600, початково 100.
question_gap_factor - пауза після знака питання від 0 до 375, початково 100.
exclamation_gap_factor - пауза після знака оклику від 0 до 300, початково 100.
intonational_gap_factor - інтонаційна пауза від 0 до 1000, початково 100.
Нижченаведені параметри можуть допомогти у разі проблем зі звуком, а так само імітувати звучання синтезатора як на старих звукових картах в DOS.
silence_at_begin - тиша на початку від 0 до 100 мс, початково 0. Цей параметр може допомогти у разі проковтування початку звуку, ефекту недоговорювання, клацання. На деяких звукових пристроях буває проблема, коли драйвер повідомив програмі, що пристрій відкрито, але при надсиланні даних на звуковий пристрій, вони ніби проковтуються, частина даних не відтворюється. У разі збільшення значення цього параметра, на звуковий пристрій надсилається тиша, яка вирішує проблему проковтування. Значення вище 40 мілісекунд може створювати відчуття поганого відгуку синтезатора.
silence_at_end - тиша в кінці від 0 до 100 мс, початково 0. Цей параметр може допомогти у разі проковтування кінця звуку, ефекту недоговорювання або клацання. Рекомендації такі самі, як і для попереднього параметра.
interpolation_multiplier - встановлює множник інтерполяції. 1 - вимкнено, 2 - збільшення частоти дискретизації вдвічі, 4 - збільшення частоти дискретизації вчетверо, початково 1, максимальний множник 4. При підвищенні частоти дискретизації без фільтрації виникають шуми квантування. На професійному обладнанні таку поведінку намагаються всіляко згладити потужними фільтрами. Ми ж будемо використовувати ці шуми з метою імітації псевдовисоких частот. Користувачі операційної системи DOS пам’ятають, як на SB16 або AVE32 звучав SDRV. змінюючи значення параметра, можна домогтися подібного звучання тих самих подзвякувань.
interpolation_algorithm - встановлює алгоритм інтерполяції. 0 - лінійна інтерполяція, 1 - інтерполяція нульового порядку. При лінійній інтерполяції, високі частоти будуть більш згладженими, ну а для екстриму можете увімкнути ядовиту інтерполяцію нульового порядку. Бережіть вуха!
Як було сказано вище, RU_TTS_SAPI підтримує російську, українську, хорватську та грузинські мови. Примітка: при встановленні RU_TTS_SAPI встановлюються і файли вимови. Якщо ви видалили ці файли, повністю RU_TTS_SAPI перевстановлювати не потрібно. Під час запуску голосу, якщо немає файлу вимови, він створюється автоматично з початкової вимови. Оновлення RU_TTS_SAPI так само не зачепить ваших налаштування вимови.
Щоб відкрити папку з файлом вимови, наприклад, для української мови, натисніть “WIN+R” і введіть:
%appdata%\RU_TTS_SAPI\lng\ukrainian
Щоб відкрити безпосередньо файл вимови“pronunc.ini”, зробіть це за допомогою Провідника або натисніть “WIN+R” і введіть:
%appdata%\RU_TTS_SAPI\lng\russian\pronunc.ini
Цей файл містить записи вимови, розділені по групах. Назва групи вказується в квадратних дужках []. Опишемо кожну Детальніше.
[english_letters]
a = эй
b = би
c = си
d = ди
e = и
і так далі.
В цю групу ви можете додати власні записи вимови окремих літер. Не варто в цю групу додавати буквосполучення, а тим більше - слова.
[russian_letters]
а = а
б = бэ
в = вэ
г = гэ
д = дэ
е = е
і так далі.
В цю групу ви можете додати власні записи вимови окремих літер. Не варто в цю групу додавати буквосполучення, а тим більше - слова.
[general_pronunciation]
j = дж
w = в
x = кс
y = ы
і так далі.
У цю групу ви можете додати власні записи вимови окремих звуків і буквосполучень. Не варто сильно захаращувати групу записами, замінювати будь-що, і тим більше використовувати цю групу як словник наголосів. Списки працюють повільно, і якщо сюди помістити словник, ви ризикуєте значно погіршити відгук синтезатора.
Залежно від мови, у файлі “pronunc.ini” можуть бути інші списки замін, які є правилами і застосовуються до загального списку замін. У російській вимові немає додаткового списку замін, в українській є свій список замін, який є списком правил. приклад:
[ukrainian_pronunciation]
е = э
и = ы
є = е
і = и
ї = ййи
ґ = г
щ = шч
І так далі.
[symbols]
+ = плюс:1
( = ліва дужка:0
%59 = крапка з комою:0 ; в ключі ini файлу цей символ ввести не можна, тому ми вводимо його як код символа в десятковій формі.
$5b = ліва квадратна дужка:0 ; в ключі ini файлу цей символ ввести не можна, тому ми вводимо його код у шістнадцятковій формі.
£ = фунт:0
€ = євро:0
¢ = центи:0
¥ = єна:0
₹ = рупія:1
₴ = гривня:1
І так далі.
Згідно з прикладами вище, ви без проблем можете редагувати вимову будь-яких вбудованих мов, вказавши такий шлях:
%appdata%\RU_TTS_SAPI\lng
"%appdata%\RU_TTS_SAPI\lng\russian", ви знайдете файл “dict.dic”, який містить приблизно 425 тисяч словоформ. Словник було взято зі старого Newfon, а в Newfon він потрапив із Rulex, який розробляє Ігор Порецький. Словник повинен зберігатися в кодуванні UTF-8. Додавання власних слів не складе труднощів, спершу пишемо оригінальне слово, і через пробіл так, як воно вимовляється зі знаком наголосу. Знак наголосу ставится після голосної знаком плюс +. Також можна поставити допоміжний наголос знаком дорівнює =. Примітка: в словник не можна вносити словосполучення, зліва від пробіла повинно бути лише одне оригінальне слово. Справа від пробіла, в слові з наголосом теж не повинно бути пробілів. Приклад:
тифлокомп тифлоко+мп
электрочайник эле=ктроча+йник
веселые весё+лые
дальний да+льний
вертолет вертолё+т
Оскільки, поки словник користувача є основним, за всі зміни словника відповідаєте ллише ви, і якщо щось вимовляється неправильно, значить в словнику було допущено помилку.
Вбудований драйвер SAPI5X в JAWS For Windows не вміє автоматично вибирати потрібні параметри виведення звуку синтезаторів. У випадках, коли виведення стандартне (22050, 16 біт, моно), драйвер цілком самостійно коректно виводить звук. У нестандартних випадках потрібне втручання користувача. RU_TTS_SAPI - це якраз другий випадок.
Щоб уникнути дзвону, з’їдання літер і додаткових артефактів у звучанні синтезатора в JAWS For Windows, потрібно виконати кілька дій. Тут ми їх опишемо.
Примітка: деякі дії для виконання можуть вимагати права адміністратора. Вам необхідно або отримати дозвіл системного адміністратора, або самостійно надавати необхідні права.
; RU_TTS_SAPI
[{333DB9C5-EED3-47DE-96CC-035FA48A3F5C}]
Output=10
Таким чином, ми навчили драйвер SAPI5X корректно виводити звук RU_TTS_SAPI (SPSF, 11000 Гц, 16 біт, моно).
Висловлюємо подяку Борису Мефодієвичу Лобанову за неоціненний вклад в розвиток російськомовного синтезу мовлення впродовж багатьох десятиліть, а також Ігорю Борисовичу Порецькому і Дмитрові Вікторовичу Падучих за майстерну роботу з повернення втраченої технології “Фонемафон-5”.
Тифлокомп - за публікацію інформації про синтезатор мовлення RU_TTS яка стала витоком, перезавантаженням, подяками і є ледве не половиною цього документа.
Денису Шишкіну (Outsider) за статті з попередніх продуктів, які лягли в основу цієї документації.
Ігорю Порецькому за інформацію про наукові публікації.
Володимиру Пирогу за переклад цього документа на українську мову, за тестування і рекомендації щодо зміни української вимови.
В будь-яких статтях чи публікаціях, в яких використовуються чи згадуються конструктивнні рішення синтезатора мовлення “Фонемафон-5”, прохання цитувати цю статтю:
Вищезгадана стаття являє собою базову публікацію про оригінальну реалізацію синтезатора мовлення “Фонемафон-5” для MS-DOS.
Мікрохвильовий метод синтезу мовлення, який розробив Борис Лобанов і використовується у “Фонемафоні-5”, також описаний у таких наукових публікаціях: