Debian GNU/Linux で音声合成をしてみる

件名	日付
記事を書いた日	2020-10-23
記事を変更した日	2024-10-23

上記は、この記事の鮮度を判断する一助のために、書き手が載せたものであり、詳細な変更履歴は、 GitHub - yabuki/friendly-potato: zenn-contents を参照せよ。

記事に対するTypoの指摘などは、pull reqをしてもらえると嬉しい。受け入れるかどうかは、差分とPull reqの文章で判断します。

はじめに

TTS(Text-To-Speech)という、ソフトウェアの分野がある。これを読んでいる人も、AndroidやiOS, Windows, はたまた、クラウドのサービスとして、文字入力したものを読み上げるサービスを使っているかもしれない。

この分野は、昔から目の不自由な人を補助する機能として使われてきているが、近年はその読み上げレベルが上昇しているようだ。ちゃんとサーベイをしているわけではないが自然な感じに近づいてきているのはわかる。

とはいえ、使う用途によっては、音声データを自由に使える方が大切だ。という利用者もいるだろう。

下記は、英語の発音において、eSpeak-ngをエンジンとして、mbrolaの発音データを用いて、eSpeakの発音を人に近づける方法について記す。

install

試したのは、2020-10-23の時点で、Debian GNU/Linux sid/bullseyeである。

apt install espeak-ng
apt install mbrola

そして、aptitudeを使って、mbrolaの発音データを探した。

non-freeに分類されるsectionに、mbrola-us1, mbrola-us2, mbrola-us3, mbrola-en1などの発音データが存在するのでインストールする。

文字列を与えて喋らせる

コマンドラインから、下記のように、指示してみてください。

-vの部分をmb-us2, mb-us3, mb-en1など変えて試してみてください。enjoy!

espeak-ng -a 200 -v mb-us1 -s 150 "Hello World!"