Skip to content
TheChatArchiveThe Chat Archive
o3-2025-04-16· OpenAIHugging Face LMArena Human Preference 140K

python espeak использует синтез речи windows встроенный. Как его поменять на более…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with DeepSeekdeepseek-r1-0528’s answer.
  1. User

    python espeak использует синтез речи windows встроенный. Как его поменять на более качественный?

  2. Assistant

    Немного теории
    espeak – это крошечный формант-синтезатор. У него практически нет «запаса качества»: как ни крути громкость, скорость и тембр – голос всё равно останется роботом.
    Чтобы получить заметно более натуральное звучание, придётся перейти на другой движок (или хотя бы подключить более качественные SAPI-voices). Ниже – несколько рабочих вариантов, от «быстро и просто» до «нейронный hi-fi».


    1. Остаёмся в офлайне, но меняем «голос» (SAPI5)

    На Windows большинство Python-обёрток (pyttsx3, win32com, …) умеют работать через интерфейс SAPI5. Если вы установите дополнительные SAPI-совместимые голоса, код практически не изменится – меняется лишь ID голоса.

    Где взять голоса

    1. Пара «родных» голосов Windows 10/11
      Поставьте нужный языковой пакет в «Параметры → Время и язык → Речь → Добавить голос».
    2. Microsoft Speech Platform 11 (не путать с SDK!)
      • x86_64 runtime + русский пакет RU‐RUS ZiraPro / PavelPro – звучат заметно лучше стандартного «Ивана/Светланы».
    3. RHVoice (open-source, ставит SAPI-адаптер).
    4. Коммерческие пакеты Acapela, Nuance, Cerence – если лицензия позволяет.

    Пример кода (pyttsx3)

    import pyttsx3
    
    engine = pyttsx3.init('sapi5')          # на Windows 'sapi5' по умолчанию
    voices = engine.getProperty('voices')
    
    print('Доступные голоса:')
    for v in voices:
        print(v.id)
    
    # Выбираем, например, ZiraPro
    engine.setProperty(
        'voice',
        r'HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Speech\Voices\Tokens\TTS_MS_RU_RU_ZiraPro'
    )
    
    engine.setProperty('rate', 170)         # скорость
    engine.say('Привет! Это уже звучит получше.')
    engine.runAndWait()
    

    2. Быстрые облачные TTS (Google, Azure, Яндекс и т.д.)

    Если онлайн-доступ приемлем:

    ПлатформаПреимуществаМинусы
    Google Cloud TTS30+ русских «Wavenet/Neural» голосов, поддержка SSMLПлатная (есть бесплатная квота)
    Azure Cognitive SpeechОчень натуральные voices (Svetlana/Sergei Neural)Тоже по подписке
    Yandex SpeechKitХорошие RU-голоса «jane»/«oksana»/«ermil»Ограничения лицензии

    Мини-пример (Azure):

    import azure.cognitiveservices.speech as speechsdk
    
    speech_config = speechsdk.SpeechConfig(
        subscription='AZURE_KEY',
        region='westeurope'
    )
    speech_config.speech_synthesis_voice_name = 'ru-RU-SvetlanaNeural'
    
    synth = speechsdk.SpeechSynthesizer(speech_config)
    synth.speak_text_async('Привет, мир! Нейронный голос в действии.').get()
    

    3. Полностью офлайн, но «нейронно» (Coqui TTS, VITS, Glow-TTS)

    Если нужен офлайн и высокое качество, попробуйте современные open-source движки. Потребуется видеокарта (для inference достаточно GTX 1050 Ti/1060) или терпение на CPU.

    Coqui TTS

    pip install TTS
    # Список доступных моделей
    tts --list_models | findstr ru
    
    # Синтез
    tts --text "Привет, автономный нейронный синтез!" \
        --model_name tts_models.ru-RU.v3_1.0.1 \
        --out_path out.wav
    

    Python-вариант:

    from TTS.api import TTS
    
    tts = TTS(model_name="tts_models.ru-RU.v3_1.0.1", progress_bar=False)
    tts.tts_to_file("Привет, мир!", file_path="out.wav")
    

    4. Если всё-таки хочется остаться именно на eSpeak

    1. Поставьте eSpeak-NG (активно поддерживается).
    2. Установите MBROLA + русские базы (ru1, ru2, …) – звучит мягче, чем обычный формант.
    3. В командной строке:
      espeak-ng -v mb-ru1 -s 170 "Здравствуйте, я голос MBROLA."
      
    4. В Python через subprocess или pyttsx3.init('espeak').

    Но даже с MBROLA качество далеко от нейронки: читаемо, но «радиоголос».


    Что выбрать?

    • Нужно прямо здесь, без интернета и на слабом устройстве → дополнительные SAPI-voices (быстро) или eSpeak+MBROLA (худшее качество).
    • Интернет есть, хочется «почти человек» → облачный TTS.
    • Интернет нежелателен, но есть GPU/время → Coqui TTS / VITS офлайн.

    Надеюсь, поможет подобрать оптимальный вариант и «прокачать» ваш синтез ✨

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.