ガイド

自然な声で eSpeak NG の代わりに

eSpeak NG はあらゆる所で使われています。Linux のスクリーンリーダー、ロボット、スクリプト、小さな機器。コンパクトで速く、100以上の言語を話しますが、声はロボット的です。そのことは公式ドキュメントにもはっきり書かれています。

無料の SuperClonica エンジンは、ニューラルモデル Supertonic 3 をふつうのCPUでオフラインで動かし、31言語の自然な声で話します。このガイドでは両者を正直に比べ、スクリプトの切り替え方を紹介します。

音声を見る SuperClonica エンジンをインストール

eSpeak NG の概要

スクリーンリーダー、ごく小さな機器、珍しい言語には、なかなか代わりがありません。

  • 100以上の言語となまりに対応する、コンパクトなフォルマント合成エンジン。
  • 明瞭で高速再生にも使えますが、README のとおり、録音ベースの合成ほど自然ではありません。
  • SSML の一部対応と MBROLA バックエンド。
  • GPL-3.0 ライセンスで、開発は活発です。

違いを無料で聞く

どの声のページでも、スクリプトが話す文を30〜100文字で入力し、言語を選んで生成ボタンを押します。数秒で違いが分かります。アカウントは不要です。

SuperClonica で変わること

用途で選びましょう。サイズと速さか、聞き心地か。

  • 自然なニューラル音声：10の標準音声と170以上のカタログ音声。
  • 31言語で、eSpeak NG より少なく、中国語は含まれません。
  • サイズは大きめ：モデルは約385MBですが、私たちのテストでは Ryzen 7 5800X の4スレッドで短い文が0.43秒でした。
  • エンジンは Apache 2.0、モデルは OpenRAIL-M。

コマンドを置き換える

エンジンを一度インストール：python -m pip install superclonica-cpu。espeak-ng "バックアップが完了しました" -w hello.wav のようなコマンドは superclonica --text "バックアップが完了しました" --voice F1 --lang ja --output hello.wav に置き換えます。Python ではエンジンの synthesize メソッドが eSpeak NG や pyttsx3 の呼び出しに代わり、ほかの言語のプログラムには Docker イメージが同じ声を HTTP で提供します。エンジンは一度作って使い回しましょう。読み込みは数秒、各文は1秒未満です。

eSpeak NG のほうが向いている場合

非常に高速で即座に応答する必要のあるスクリーンリーダー、メモリやストレージがごく少ない機器、Supertonic 3 が話せない言語、ロボット的な声で十分な場面では eSpeak NG を使い続けましょう。動画、アナウンス、オーディオブック、アシスタント、ゲームなど、人が長く聞く場面では SuperClonica を。