Enterprise Forever
:HUN => SOUND: => Topic started by: endi on 2015.August.12. 20:50:16
-
Amikor megkaptam első pc-met, elkezdtem egy talk to speech programot fejleszteni.
A módszerem nagyon egyszerű volt. Mikrofonnal elkezdtem rögzíteni betűpárokat, aa, ab, ac, ad, ae stb. és így tovább minden betű kombinációja minden betűvel. A lejátszó pedig úgy mixelte egymás után a betűpárokat, hogy az egyik betűt átúsztattam (fade) a másikba. Sajnos túl sok meló volt vele, ezért csak az a, b kezdőbetűs párokat mondtam fel. Az eredmény azonban nagyon bíztató volt! Sőt, meglepően jó. :) (Felmondtam néhány másik betűpárt is hogy tesztelhessem rendes mondatokkal, pl tök jól kimondta, hogy "elmegyek haza" és ilyesmiket.
Csak hát elvette a kedvemet, hogy már akkor is voltak elég jól beszélő programok, bár úgy emlékszem magyar nem volt még.
Na most pc-re persze már nincs értelme ilyet fejleszteni... viszont EP-re lehetne! Mit szóltok?
Ráadásul már nem is kéne mikrofonnal szórakozni, hanem akármelyik webes beszéldprogramba beadni a betűpárokat és ezt a hangot feldolgozni (kivágni a betűpárokat és kimenteni).
Az EP-s lejátszó pedig már gyerekjáték lenne.
Persze tudom, ennyi még nem elég egy jó beszédprogramhoz, de kezdetnek nagyon jó lehetne.
-
Támogatom az ötletet!
-
Anno a HDIGI -t hallottam Haluska Lacinál beszélni, már az is meglepően jó és élethű volt! :-) Támogato én is!
-
Néhány apróságra figyelni kell majd, de az úgyis kibukik. Pl. a hosszú mássalhangzók kiejtése: máshogy ejtjük pl. a mm, nn, ll hangokat egy szón belül, mint pl. a tt, kk, gg-t. Az előbbieket tényleg időtartamban hosszabban ejtjük, az utóbbiaknál pedig lényegében az a helyzet, hogy a mássalhangzó előtt egy kis szünet van, tehát valójában nem hallatszik két darab tt, kk, gg hang. Remélem, érthető.
Sokszor megváltozik egyes hangok hangértéke attól függően, hogy milyen hang jön utána, ez is fontos lehet, bár beszélőprogramnál, ami nem a tökéletes beszédet adja vissza, talán nem olyan fontos.
-
Nagyon sok ilyen szabályt meg extrát lehet rakni egy beszédprogramba. Ezeket idővel lehet hozzáfejleszteni.
De pl a mostani EP-s (vagy bármilyen kisgépes) beszédprogramoknál nagyságrendekkel jobbat lehet elérni már azzal is amit leírtam (betűpárok egymásba fade-lése). Majd meglátjátok - persze ha lesz ebből egyáltalán valami. :)
Pl. a Speak Easy és társai mind 1 bites béna "hangmintákat" használnak (még csak nem is hangminták szerintem), ami eleve gáz ügye EP-n... legalább valami filtert raktak volna bele szoftveresen, ami az 1 bitet kicsit "több bitessé" teszi...
Na persze van még egy kérdés, a memória! Mert a sok kis rövid betűpár azért biztos elég sok memóriát foglal majd. De szerintem 128K azért elég lehet. :)
-
Na persze van még egy kérdés, a memória! Mert a sok kis rövid betűpár azért biztos elég sok memóriát foglal majd. De szerintem 128K azért elég lehet. :)
És ha nem, akkor is 640 Kb mindenre elég ;)
-
Ez kicsit mar kevesbe EP tema talan, de en mindig azon gonolkodtam, hogy kotelezo-e a "digitalizalt alap". Miert nem lehet szimulalni a hangszalak mukodeset, es a kulonbozo utana utjaba allo dolgok (lasd nyelv, ilyesmi) hatasat az eloallitott hangra. Mondjuk fog'sincs, hogy akar PC-n vmi modern formaban hasznalnak-e ilyesmit, vagy meg mindig celravezetobb valami emberi hangbol kiindulni (pl amirol itt is szo volt: felvenni hangokat/hang-kapcsolatokat, aztan azokat mixelgetni - miegymas). Mondjuk, ha ilyen van is (nem tudom), ez talan mar nem EP szint lenne :)
Egy dolog viszont beugrott: ugy remlik, hogy AdLib kartyaknal kiserleteztek azzal, hogy egyszerre hasznaljak az osszes oszcillatort, pont "beszedemulacio" kapcsan. Azt mondjuk nem tudom, hogy ez mennyire szolt "jol", vagy egyaltalan hasznalta-e valaki valaha is.
-
én keresgettem beszéd programokat kisgépre, de semmi értelmeset nem találtam.
egyedül a c64 volt ami valamivel jobb mint a z80-asok vagy ilyesmi kisgépesek
de lehet hogy valaki ügyesebb rákeresne...
c64-est átírni gondolom nem lenne egyszerű
-
rosszul emlékeztem, ez a c64-es minimálisan jobb csak
https://www.youtube.com/watch?v=Rm4ZCGgzeeU
-
I remember the Amiga 500 had vocal synthesis from stock. I wtote a billings program for my father that requested him the data...
It had the basic sounds of English language so it sounded a little odd pronouncing Spanish words. But highly understandable if tweaking a little with the sounds.
I also remember how a Spanish Spectrum magazine did a vocal synthetizer, but it had an horrible sound.
-
Meanwhile I've found the ROM of the Speakeasy chip:
http://spatula-city.org/~im14u2c/sp0256-al2/
This web-page contains explanations about the algorithms used. Can it be useful?
-
A Speak Easy topikban rátaláltam a Mikrobi című programra! Ez tényleg sokkal jobb hangot ad mint az az 1 bites specyről átírt izé.
http://ep128.hu/Ep_Util/Prg/Mikrobi.rar
Speak Easy hangmintákat keresek most...
-
Az a hardveres Speakeasy nagyon jó. Egyik találkozón belehallgattunk az Eat It Up beszédbe, teljesen érthető. Jobb, mint az a C64-es, bár az is egész jó.
-
Az a hardveres Speakeasy nagyon jó. Egyik találkozón belehallgattunk az Eat It Up beszédbe, teljesen érthető. Jobb, mint az a C64-es, bár az is egész jó.
és ehhez a mikrobihoz képest?
-
és ehhez a mikrobihoz képest?
Szerintem ahhoz képest is sokkal jobb a Speakeasy. Tehát a :SAY rendszerbővítőhöz képest is.
A SAY-jel a legtöbb szó érthetetlen, ahogy kimondja (ha nem tudod, mit mond, nem érted).
-
HDIGI -nél jobb nem volt a témában, magasan vert mindent! (Sajnos hardver alig készült hozzá... Olyan 7-8 darabról tudok, de 1 tucatnál biztos nem volt több! Haluska Laci sajátjáért is "sorban álltak", mikor eladta...)
Anno hallottam szólni, "beszélni" és meglepően élethű, tiszta, élvezetes volt!!!
(Egyik Enterpress cikk erről szól...)
-
HDIGI -nél jobb nem volt a témában, magasan vert mindent! (Sajnos hardver alig készült hozzá... Olyan 7-8 darabról tudok, de 1 tucatnál biztos nem volt több! Haluska Laci sajátjáért is "sorban álltak", mikor eladta...)
Anno hallottam szólni, "beszélni" és meglepően élethű, tiszta, élvezetes volt!!!
(Egyik Enterpress cikk erről szól...)
na várj, az egy digitalizáló, nem? beszéd (text to speech) funkció nincs benne!
itt most a text to speech a lényeg
-
na várj, az egy digitalizáló, nem? beszéd (text to speech) funkció nincs benne!
itt most a text to speech a lényeg
Valóban, így van! (Ezt csak azért hoztam fel, mert BESZÉD HANGOT (!) a HDIGI -nél élethűbben visszaadni én még Ep -n soha nem hallottam! Sem text to speech alapon, sem más gépen digitalizált / onnan konvertált hangot, stb. Amikor Haluska Laci a saját hangomat vette fel vele és játszotta le utána, azt hittem, megszólaltam én a hátam mögött. :-D Mind ezt EP -n!!! :-) Valami olyasmit mesélt anno a Laci, hogy 8 bites hang alapon, de 16 bitest emulálva (?) oldja meg a program a feladatot... Bármit is jelentsen ez.)
-
Elsőre egyébként, pusztán szórakozásból, lehet olyat is csinálni, ami csak viszonylag kevés szót ismer, és azokat variálja. Mondjuk a számokat 1-10-ig. Egy torpedó játékban meg is csináltam ezt. Vagy mondjuk sakkozásnál mindig mondja a koordinátákat is. És ehhez valami nagyon extrém grafikás sakkprogram, DTM zenével, az lenne az igazi.
Már nem teljesen ide tartozik, csak mellékes, hogy az se lenne gyenge megcsinálni, hogy a számokat is felismerje a program beszéd közben, és helyesen is olvassa fel. Ebben segíthet Lacika egy régebbi programja, ami a beírt számjegyeket leírja betűkkel. És mondjuk elsőre ezt meg lehetne csinálni, hogy fel is olvassa. Sok a számokban az ismétlődés (pl. tizen-, huszon-, és ami utánuk jön, az 1-9-ig a számok, már megvannak).
-
találtam egy c64 beszédprogram disassembly-t
http://hitmen.c02.at/html/tools_sam.html
-
Ha a 0-ás csatornára felüláteresztő szűrőt állítunk be és az 1-es csatorna nyomja neki a frekvenciát, valamint a 2-es csatornán gyűrűmodulációt állítunk be, akkor a 2-es csatorna hangja némiképp emlékeztet amolyan beszédhangokra, legalábbis amolyan erősen robotos beszédzörejekre. Ha a három csatorna frekvenciáját megfelelően variáljuk, talán be lehetne lőni bizonyos beszédhangoknak megfelelő hangokat.
Ezt a gyűrűmodulációs hangzást az utóbbi időben használtam is a midikben, de nem beszédhangra, csak úgy. Pl. a Living on the Video zenében is van eredetileg rövid robotos beszédhang, annak utánzására is ezt dobtam be nemrég. Ha torzítást is bedobunk a gyűrűmoduláció mellett, az talán egyes mássalhangzók hangzására emlékeztethet.
Kíváncsi vagyok, ezzel a módszerrel lehetne-e valamennyire érthetően szavakat, mondatokat "kimondatni" a géppel.
-
ma már ezt szerintem ai-val kéne megcsináltatni.
azaz hogy betanítani neki hogy használja fel az ep hang képességeit beszédhangokhoz.
amúgy ha jól tudom a google és az MS ai dolgai open source-ok, szóval elvileg aki hozzáértő, letöltheti és mindenféle érdekes dolgot csinálhat velük.
sőt, már konkrét hardvereket is lehet venni, ami együttműködnek ezekkel az ai programokkal (ai-kártya, olyan mint a videókártya, csak ez ai-t gyorsít).
brutális lehetőségek vannak ebben.
-
A SOFTEASY.ZIP a szoftveres Speakeasy "editort" tartalmazza, a SOFTVTTX.ZIP pedig a szoftveres Votrax "editort"-t, annyiban tér el a WOW topicba feltöltött verziótól ez utóbbi, hogy a hanglejátszás 7 bites, és 12500Hz-en megy.
SOFTEASY.ZIP contains software Speakeasy "editor", SOFTVTRX.ZIP contains software Votrax "editor", the difference is from the uploaded version to WOW topic it uses 7 bit samples and played on 12500Hz.
*** Attachments removed
-
Egy apróbb hiba javítva lett, az utolsó hangokat nem játszotta le a program, és két új verzióval bővült a Softeasy:
A smaller problem has been corrected, last voices were not played by the programs, and i made 2 new Softeasy versions:
Softeasg.com/dig - samples from EP saved by Gflorez, and i got them out from the WAV (not the best)
Softeasw.com/dig - samples from Wiki
Softeasy.com/dig - samples from CPC forum
Softvtrx.com/dig - votrax samples and allophone names
*** Attachments removed
-
Geco, can you play also the real Speakeasy voices after the sampled voices to compare them better? Or maybe you can put the hardware option with a function key.
-
Geco, can you play also the real Speakeasy voices after the sampled voices to compare them better? Or maybe you can put the hardware option with a function key.
I think the 2nd option is better, should i do it for all softeasy versions?
-
Only for the more promising one of them, I don't want you to work a lot only for me.
I saved the wav file with my phone from the Speakeasy speaker, not the best way to get the max of quality.... Maybe I can try to adapt a cable directly from the chip output and then to the PC. This way I could get the samples free of ambient sound.
-
Maybe I can try to adapt a cable directly from the chip output and then to the PC. This way I could get the samples free of ambient sound.
Probably that would give the best quality, and i think this would give the best samples, because as i hear the quality of samples of CPC wiki are quite good, but some sample sounds totally different than from other sources, samples from SP0256 Wiki has low sample rate (7200 Hz and as i read Speakeasy generated sound at 10KHz), but i do not want to give you extra work, i think everybody can find her/his favourite from the existing 3 versions.
Otherwise if Speakeasy HW solution works it was not a big work, it took less than 1 hour, this version plays sampled text by pressing ENTER and Speakeasy HW by F1.
Snapshot contains Hungarian sentence, it sounds quite good, i would not like to translate it :D :D
Legújabb verzióban az ENTER-re a digi hangokkal adja elő művünket a 3 Softeasy verzió, F1 lenyomására pedig a Speakeasy HW-en produkál ékes mondatokat.
A snapshot egész jó úton haladó magyarul tanuló Speakeasyt tartalmaz (ne vegye senki magára :ds_icon_cheesygrin: )
*** Softpack.zip has been removed
-
Még mindig azon töprengek, hogy (a lentebbi csodás eredmények mellett is) ott volt nekünk a HDIGI... "Kicsit" fejlettebben tudta mindazt, amit Speakeasy -ből bármikor is ki lehet hozni. Mégis feledésbe merült...
-
A Hdigi nem csak digitalizalo, es a digitalizalt hang lejatszasara keszult? Egyebkent lehetne jobban szolo ilyen beszedprogramot is irni, csak jo samplek kinyeresen mulik, mivel ezek a regi chipek maguk generaltak a hangokat, es nem samplekkal dolgoztak, igy minosegben nem a legjobbak.
-
ezek a regi chipek maguk generaltak a hangokat, es nem samplekkal dolgoztak
Vagy pedig mégis?
The SP0256 incorporates four basic
functions:
• A 16K ROM which stores both data
and instructions (THE PROGRAM)
És van ilyen lehetőség is, amit sajnos a SpeakEasy-ben nem használtak:
• Word, Phrase, or Sentence Library,
ROM Expandable
• Expandable to 491 K of ROM Directly
-
Igen, erre már utaltam egy másik témában. Van a WEB-en még a 16KB Rom szétszerelése is, a belső parancsokkal a hangok elkészítéséhez.
Tehát a gyenge stock hangokon kívül más hangok is lehetségesek. De ez nagyon nehéz feladat lehet.
A Geco rendszere jobb, mert megnyitja az utat, hogy a szintetikus, alacsony minőségű robothangok helyett saját, közvetlen emberi hangjainkat menthessük a mintákra.
----
Yes, I have already referred to this in another thread. There's also the disassembly of the 16KB Rom on the WEB, with internal commands to make the sounds.
So sounds other than the weak stock sounds are possible. But it can be a very difficult task.
Geco's system is better, as it opens the way to save on samples our own direct human voices instead of the synthetic low quality Robot voices.
-
Összehasonlítottam a három mintakészletet az igazi SpeakEasy-vel.
A wiki oldal hangjai szóba sem jöhetnek, mivel furcsa visszhangokat adnak az allofonokhoz.
A CPC fórumról származó minták jól működnek, de nem ugyanazok a hangok.
Végül a telefonommal készített verzió hasonlít a legjobban, sebességben és hangzásban, de nagyon alacsony a hangereje, és szerintem a mintavételezés frekvenciája is nagyon alacsony, így kevesebb információt tartalmaz, mint az eredeti hang(olyan, mintha csövön keresztül hallanánk).
Megpróbálkozom jobb minőségű felvételekkel.
--
I have compared the three sets of samples with the real SpeakEasy.
The wiki page sounds are out of question, as they add strange reverberations to the allophones.
The samples from the CPC forum work well but aren't the same sounds.
Finally, the version made with my phone is the most similar, on rate and sound, but it has a very low volume level, and I think that the frequency of sampling is very low also, so it has less information than the original sound(it is like heard through a tube).
I am going to try better quality recordings.
-
Strange, is it worse than on emulator?
Because i use 7 bit samples in that way to send volume values to channel 1 and 2, INT(VOL/2) is sent to channel 1 and ROUND(VOL/2,0) is sent to channel 2, and it sounds good on emulator.
-
Valószínűleg az általam megadott forrás-Wavs miatt van, nem a reprodukció miatt.
-----
Probably it is due to the source Wavs I gave you, not the reproduction.
-
But the wiki pages had also some strange voices, if i am not lazy, ay wwihll tt1rr1ay uhnn1 hh1ww uhllssow :D :D :D
-
I checked on real hw with internal speaker only, and it sounds nearly the same like on laptop, some noise sounds a bit stronger otherwise they are the same.
-
A snapshot egész jó úton haladó magyarul tanuló Speakeasyt tartalmaz (ne vegye senki magára :ds_icon_cheesygrin: )
És ezt pont a költészet napján... A mondat elejét nem értettem amúgy. Viszont a jó régi SAY-nél valóban jobb a hangminőség!
-
A Hdigi nem csak digitalizalo, es a digitalizalt hang lejatszasara keszult?
http://www.ep128.hu/Ep_Util/HDigi.htm
-
Igen, ez egy nagyon jó túl, a zeneszerkesztő nekem új volt, de a két program teljesen más, olyan, mintha a tojást hasonlítanád a kerékhez.
Amit te hallottál, az a te hangod felvéve egy hangmintába, legyen mondjuk WAV-ba, míg a Speakeasy jellekű lejátszás (mint kiderült nem is hangmintákkal dolgozik, hanem generált hangutánzatokkal) a generált hangminták összefűzése, a Softeasyben ezek a hangminták lettek digitalizálva, és ezeket játsza le egymás után, ez sose lesz olyan minőségű, még 44KHz-es mintákkal se, mint amikor valakinek a beszédét veszik fel egy WAV-ba, viszont a WAV mérete hatalmas, míg Speakeasy-nél egy mondat pár 10 bájt.
-
Igen, a Speakeasy olyan, mint a MIDI, a hangok rögzített minták egy könyvtárban.
--
Yes, Speakeasy is like MIDI, with sounds recorded as samples in a library.
-
Another try.
-
Thx, i will check it, now the situation is even better, because we have the length of the voices also.
-
Still there is a little "hum" produced by the amplifier or by the ambient, but this time is minimal compared with the good quality and volume of the voices.
There is also a little offset, the wave is displaced a little to minus(down), but you can easily fix that with Audacity.
-
Thank you very much Gflorez, i collected the voices, and created new SOFTEASG.xxx version, and now i think it is the best version from the 3.
Köszi Gflorez, kiszedtem a hangokat, és csináltam egy új SOFTEASG.xxx verziót, úgy érzem, hogy már ez a legjobb a 3 verzió közül.
-
Great!
It's me or you have added intonation when a "." is found?
Tomorrow I will compare it with the real hardware.
-
Great!
It's me or you have added intonation when a "." is found?
Tomorrow I will compare it with the real hardware.
Sorry i do not understand, where can be a "." ?
I did not modify anything, just cut out the voices.
-
No, sorry... It is just that it sounds a lot better and I thought I heard variations of intonation.
Here I have put two examples to compare, first the soft voice, second the Speakeasy. I have normalised both.
-
Hm, your EP is more noisy than mine, i did not try the actual version on my EP, but the last version sounded nearly the same like on EP128emu, it had had similar quality like the 1st wav now, but i think the quality improved a lot, thx :)
-
As I mentioned, I have normalised the two waves, so they seem to have the same volume, but the EP gives a lower level than that, and the Speakeasy has an amplifier itself.
-
sorry, and this is the source of stronger noise, to reach 7bit bit rate i dropped the D/A , and this is the reason why it is more silent ( i did not want to use 7bit with D/A with stereo solution)
-
I think the level is acceptable, but maybe the other effects/music of the game can cover it if they sound at the same time.
Now I am thinking: on EATITUP the voice is almost the only sound, and in WOW the voice is only heard on the screen transitions.
----
Now that you have explored the wonderful topic of the artificial voices, do you remember the little SymbOS speech app (https://enterpriseforever.com/hardware/speakeasy-hdigi-digitalization-allophones-and-read-aloud/msg56547/#msg56547) that you and IstvanV aided me to tailor to the EP?
-
I did not remember for it, it has an interesting solution to save memory by using small samples, and they are combined.
-
And it has intonation, like the Votrax chip, not monotone like the SP0256.
-
Új verziók:
8bites hangminta lejátszás, és István Dave inicializáló rutinja be lett építve az összes verzióba, így hangosabbá, és jobb minőségűek lettek.
A SOFTSPKE révén újabb verzióval bővült a kollekció, ebben a hangminták (elméletileg) jobb minőségűek, de még mindig van mit faragni rajtuk, akinek van affinitása, és energiája a hangminták ellenéséhet, segítséget szívesen fogadok. A programnak 256 kB RAM-ra van szüksége.
New versions:
8bit sample playback, and István's Dave initialization routine have been built into all versions, they became louder, and got better quality.
There is a new version also, SOFTSPKE . It needs 256kB RAM, and still has problems, the samples should be improved, i hope somebody can help who has a better sense of it.