Hmm .. klingt mäßig gut:
1 |
|
Kennt jemand was Besseres?
:
Bearbeitet durch User
Christoph M. schrieb:
Kennt jemand was Besseres?
Ich habe die "Thorsten Voice" gerade mal mit meinem Lieblingstesttext ausprobiert. Diesen Text...
Achtung Computerraum! Dieser Raum ist voll bis unter die Decke mit den tollsten elektrischen und vollelektronischen Anlagen. Staunen und Gucken darf jeder, aber rumwurschteln und Knöpfchen drücken auf den Computern dörfe nur mir. Die Experten.
...in Hochdeutsch eingegeben und auf hessische Wiedergabe drücken, die Stimme hört sich dann fast so an wie der Originaltext auf dem Bild. Man muss bei der Texteingabe evtl. ein bisschen nachhelfen (am Ende das "ich" durch "mir" ersetzen).
Angehängte Dateien:
-
20260309_131305.jpg
(190 KB)
Die zweite Möglichkeit ist, den gewünschten Text einfach beim Google Übersetzer eingeben und auf Lautsprecherwiedergabe drücken. Dann müsste man allerdings parallel noch ein Aufnahmegerät mitlaufen lassen.
Zum Beispiel den kostenlosen No23-Recorder. Der wandelt den gesprochenen Text direkt in eine MP3-Datei um!
Die zweite Möglichkeit ist, den gewünschten Text einfach beim Google Übersetzer eingeben und auf Lautsprecherwiedergabe drücken.
Puh, so mit Cloud und Google. Das will ein Linux Nerd nicht. Da muss alles lokal und open source sein.
Irgendwie scheint es bessere Spamgeneratoren, auch fuer Schockanrufgeneratoren, als ernsthafte Sprachgeneratoren zu geben.
Ich war von Qwen3-TTS (https://github.com/QwenLM/Qwen3-TTS) ziemlich beeindruckt, Demo gibt’s unter https://qwen-qwen3-tts.hf.space/
Kann man bei Bedarf auch lokal laufen lassen – Nachteil mag sein, dass es nicht direkt echtzeitfähig ist, aber wenn man das nicht unbedingt braucht, wird das durch die Qualität der Sprachsynthese mehr als aufgewogen, finde ich.
:
Bearbeitet durch User
Hat ein Android denn noch kein vernünftiges /deutsches/ TTS?
Kann man bei Bedarf auch lokal laufen lassen – Nachteil mag sein, dass es nicht direkt echtzeitfähig ist, aber wenn man das nicht unbedingt braucht, wird das durch die Qualität der Sprachsynthese mehr als aufgewogen, finde ich.
Kokoro läuft wohl etwas schneller und liefert auch super Ergebnisse. https://huggingface.co/spaces/hexgrad/Kokoro-TTS
TTS scheint auf dem neuen Arduino-VENTUNO-Q zu laufen. Insbesondere zusammen mit Whisper kann man dann wohl ziemlich interessante Frage/Antwort Systeme machen.
1 |
|
2 |
|
https://www.arduino.cc/product-ventuno-q
Bin gespannt, wie gut das in der Praxis funktioniert.
Wenn ich das richtig verstehe, kann man mittels den Fable 5.1 von Androphic mittels Vibe Coding ein Sprachausgabemodell auf der eigenen Graphikkarte trainieren.
https://www.reddit.com/r/KI_engineering_de/comments/1waogt7/sprachausgabe_mit_kleinem_speicherbedarf_mit/
Das müsste dann eigentlich auch mit der eigenen Stimme und in Deutsch gehen.
Die Frage ist, ob man das auch brauchbar und nicht als Prototyp hinbekommt.
Wenn ich das richtig verstehe, kann man mittels den Fable 5.1 von Androphic mittels Vibe Coding ein Sprachausgabemodell auf der eigenen Graphikkarte trainieren.
Hört sich nach einer Aufgabe aus der Hölle an.
Ist dir die Arbeit (das Vibe Coding) zu aufwändig, es selbst zu versuchen?
Ist dir die Arbeit (das Vibe Coding) zu aufwändig, es selbst zu versuchen?
zu teuer.
openmoss läuft lokal auch auf dem Notebook (iGPU reicht für die Vulkan-Beschleunigung)
Mal mit zwei verschiedenen Einstellungen ausprobiert.
:
Bearbeitet durch User
Hört sich richtig gut an. Da werde ich wohl mal rein schauen müssen.
Der schwäbische Akzent fehlt allerdings gerade bei diesem Text! ;-)
Der schwäbische Akzent fehlt allerdings gerade bei diesem Text! ;-)
Zu openmoss gehört auch ein Voice-Designer (du beschreibst, wie die Stimme klingen soll, lässt kurz rechnen, und hast dann eine mehr oder weniger zur Beschreibung passende Stimme) Und Voice-Cloning (du gibst eine Sprachaufnahme rein, und daraus wird eine Stimme gebastelt, die du dann für TTS verwenden kannst)
Beides lokal ohne Cloud.
Aber ob sich damit schwäbisch oder andere Dialekte nachbilden lassen? Ich vermute eher weniger gut.
Aber ob sich damit schwäbisch oder andere Dialekte nachbilden lassen?
Ne, ne, muss nicht.
Aber ich gestehe, ich bin schon etwas angefixt. Hatte bis jetzt bei sich ergebender Notwendigkeit immer voicerss über das API genutzt.
openmoss läuft lokal auch auf dem Notebook
Welches wäre das richtige?: https://github.com/OpenMOSS
:
Bearbeitet durch User
Ich verwende supertonic
https://github.com/supertone-inc/supertonic
Interessant dabei ist, dass es manchmal eine andere Betonung verwendet. Vielleicht analysiert es den Textinhalt für die Betonung. Man kann verschiedene Stimmen auswählen und die Stimme im Anhang finde ich sehr gut. Bisweilen hat es Probleme, z.B. das Datum oder die Uhrzeit zu sagen.
Für den Satz
"Ich möchte jetzt das Datum und die Uhrzeit sagen. Es ist der 9.te
September 7 Uhr 10"
braucht es 2,6 Sekunden auf der Spark-DGX, die ja nicht sonderlich schnell ist. Wenn man einen Chatbot bauen will, müsste das etwas schneller sein, sonst ist es zu zäh.
Deshalb suche ich noch nach einer anderen Lösung die schnell ist und weniger Probleme bei den Zahlen hat.
Welches wäre das richtige?: https://github.com/OpenMOSS
https://github.com/OpenMOSS/MOSS-TTS
Ich hab für meinen Test MOSS-TTS-Local verwendet.
Für Real-Time/Chat Anwendungen eher MOSS-TTS-Realtime anschauen.
Antwort schreiben
Bitte melde dich an, um einen Beitrag zu schreiben.