Què fa Sil·labari
Sil·labari agafa el text que hi enganxeu i us torna un fitxer MP3 que el llegeix en veu alta. Ara mateix hi ha 26 veus catalanes repartides entre 5 parlars, veus fetes a partir d’enregistraments de parlants nadius per a 63 llengües més, i la possibilitat de fer-vos una veu vostra a partir d’un enregistrament de tres a vuit segons.
Cada petició pot ser de fins a 500 paraules, amb 5 segons entre dues peticions. No hi ha pla de pagament, no hi ha res per millorar i el fitxer no porta cap marca d’aigua.
D’on surten les veus
Totes surten de Mozilla Common Voice 17.0 — un corpus obert on gent d’arreu llegeix frases i es comprova entre si. Cada enregistrament porta un client_id, és a dir el codi de qui el va fer. Per això sabem del cert que cada veu és una persona diferent i no la mateixa persona dues vegades.
I porta una cosa que altres corpus no tenen: la columna «accents», on la mateixa persona declara quin parlar parla. Comptant només qui la va omplir i té prou enregistraments nets, la part catalana en té 281 de centrals, 37 de nord-occidentals, 29 de balears, 24 de valencianes i 12 de septentrionals. El parlar que veieu al costat de cada veu ve d’aquí; no és cap suposició nostra.
De tot això se n’han triat 26 — 13 de dona i 13 d’home — amb un màxim de tres per parlar i sexe, perquè cap grup no quedi desequilibrat. Les que sobraven havien passat totes les proves igualment; simplement el seu lloc ja era ple.
Cada veu havia de superar dues comprovacions abans de sortir. Primer, un reconeixedor de veu havia de tornar a llegir més del 55% de les paraules d’una frase catalana que ja coneixíem; aquesta vegada 30 de 33 van fer 1,00 i cap no va baixar de 0,98. Segon, la màquina havia de reproduir l’altura real del to de la persona. Dues veus s’han tret per això: una que va pujar 48 Hz, i una altra, d’un home, que va pujar 42 Hz i va acabar sonant dins del registre femení. Hauríeu rebut una cosa diferent de la que havíeu escoltat.
Per què no fem servir les veus d’estudi que ja existeixen
És la pregunta justa, perquè en català sí que n’hi ha. Les hem mirades i les hem descartades una per una, i val la pena dir per què.
LaFresCat, del Barcelona Supercomputing Center, seria la que més s’acostaria al que fem: quatre parlars, un home i una dona per parlar, gravats en estudi per actors professionals. Però va sota CC BY-NC, i la seva pròpia fitxa diu que l’ús comercial només és possible amb permís dels actors. Són veus de persones reals que les van deixar amb condicions. Obrir-les perquè qualsevol en generi el que vulgui és fer-ne un ús que elles no van acceptar, cobrem o no cobrem — i aquesta pàgina no cobra, però tampoc no vol ser l’excusa.
Festcat i l’OpenSLR 69 en català van sota ShareAlike. Això no és cap problema ètic, però encomanaria condicions a qui baixi un fitxer d’aquí, i tota aquesta línia de projectes s’ha construït justament per no encomanar-ne cap.
Common Voice és CC0 1.0 — una renúncia de drets, no una llicència amb condicions — i els enregistraments els va deixar gent que sabia que anaven a un corpus obert. El preu és que són casolans, no d’estudi. És un preu que preferim pagar nosaltres abans que fer-lo pagar a algú altre.
Com es fa el so
La veu no s’enganxa a partir de trossos de so ja fets. Cada frase la genera un model en una targeta gràfica en el moment que premeu el botó. Mesurat a la màquina que ho fa: un text de 500 paraules triga uns 17 segons.
Tot el lloc funciona amb una sola targeta gràfica, compartida amb altres feines. Quan està ocupada, la pàgina ho diu de seguida i us indica quants segons esperar, en comptes de fer-vos esperar i fallar després.
Per què és de franc
Sil·labari és un projecte personal, mantingut per una sola persona. No és cap empresa ni cap societat mercantil registrada. La màquina que genera les veus ja existia per a una altra cosa, i les hores que li sobren són les que fan anar aquesta pàgina. No hi ha anuncis, no hi ha seguiment i no es venen dades: no n’hi ha per vendre, perquè no es demana ni un correu electrònic.
Els límits no hi són per empènyer-vos cap a un pla de pagament, que no existeix. Hi són perquè una sola targeta gràfica pugui atendre molta gent alhora.
Què encara no sap fer
Les veus no són d’estudi. Common Voice s’enregistra a casa, amb el micròfon que cadascú té. De cada persona s’ha triat l’enregistrament més net, però la qualitat no és la d’una veu d’anunci pagada.
No hi ha alguerès. A l’Alguer, a Sardenya, hi queden pocs milers de parlants i al corpus no hi ha ningú que hagi declarat aquest parlar. Sense enregistraments amb el codi de qui parla no podríem ni comprovar que dues veus «diferents» no siguin la mateixa persona.
De les 646 llengües que el model coneix, només 63 tenen veu de parlant nadiu. La resta es llegeixen amb accent català, i l’eina ho diu abans que ho demaneu. No hi ha veu en basc ni en àrab, que serien útils aquí: el corpus obert d’on surten les veus nadiues no en té cap de les dues.
No hi ha API pública, no hi ha comptes i no hi ha historial dels fitxers creats.