python espeak использует синтез речи windows встроенный. Как его поменять на более…
- User
python espeak использует синтез речи windows встроенный. Как его поменять на более качественный?
- 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
- Пара «родных» голосов Windows 10/11
Поставьте нужный языковой пакет в «Параметры → Время и язык → Речь → Добавить голос». - Microsoft Speech Platform 11 (не путать с SDK!)
- x86_64 runtime + русский пакет RU‐RUS ZiraPro / PavelPro – звучат заметно лучше стандартного «Ивана/Светланы».
- RHVoice (open-source, ставит SAPI-адаптер).
- 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:
Платформа Преимущества Минусы Google Cloud TTS 30+ русских «Wavenet/Neural» голосов, поддержка SSML Платная (есть бесплатная квота) Azure Cognitive Speech Очень натуральные voices (Svetlana/Sergei Neural) Тоже по подписке Yandex SpeechKit Хорошие 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.wavPython-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
- Поставьте
eSpeak-NG(активно поддерживается). - Установите MBROLA + русские базы (
ru1,ru2, …) – звучит мягче, чем обычный формант. - В командной строке:
espeak-ng -v mb-ru1 -s 170 "Здравствуйте, я голос MBROLA." - В Python через
subprocessилиpyttsx3.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 ✨
- Пара «родных» голосов Windows 10/11
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.