Převod textu na řeč

Ne. Není tu placený tarif, není co vylepšovat a nechceme kartu. Limity jsou 500 slov najednou, 5 sekund mezi dvěma požadavky a denní strop na IP adresu. Dost široké na skutečnou práci a dost úzké na to, aby jedna grafická karta stihla obsloužit hodně lidí najednou.

Ne. Otevřete stránku a začnete. Není tu registrace ani potvrzovací e‑mail.

Stránka to umí doplnit, a je to hlavní důvod, proč vznikla. Změřili jsme obojí. Nejdřív problém: stejná věta napsaná s diakritikou a bez ní, přečtená a puštěná zpátky do rozpoznávače řeči, dá 0,991 proti 0,854 — a „Škola začíná v září“ vyjde bez háčků jako „Z kolázaci navzary“. Potom řešení: tabulka o 63 343 heslech doplní 76,0 % slov, která diakritiku potřebují, a špatně změní 0,4 % všech slov. Podíl správně napsaných slov tím stoupne ze 48,8 % na 87,7 %. Měřeno na 14 899 větách, u kterých známe správnou odpověď.

Protože zbytek jsou koncovky, a ty se z jednoho slova poznat nedají. „Rovne“ je rovné i rovně, „pristavu“ přístavu i přístavů, „byt“ byt i být. Tabulka proto raději vynechá, než by hádala: slovo, u kterého má dva srovnatelně časté tvary, nechá přesně tak, jak jste ho napsali. Kdybychom hádali, stoupl by podíl doplněných slov — a zároveň by se začaly měnit významy vět. To je horší než přečíst jedno slovo bez háčku.

Ne, a nechceme dělat, že ano. Hlasy pocházejí z Common Voice, kde každý přispěvatel může sám vyplnit, jakým nářečím mluví. U češtiny to pole nechalo prázdné 358 z 405 lidí, kteří mají dost čistých nahrávek. Devět lidí napsalo „moravský“, pár dalších Ostravsko nebo Slezsko, a zbytek jsou jednotlivé formulace typu „Pražák“ nebo „spisovný“. Z devíti lidí se nedá postavit výběr nářečí — dalo by se z toho udělat leda pět nálepek, které by nikomu nic neřekly. Pro srovnání: v katalánské verzi tohohle projektu to pole vyplnilo dost lidí na pět nářečí, a proto tam výběr je.

Protože těch 32 hlasů je 32 různých lidí. Všechny pocházejí z Common Voice, otevřeného korpusu Mozilly, kde každá nahrávka nese kód toho, kdo ji pořídil. Nehádáme, kolik lidí v nahrávkách je: říkají to data. Navíc jsme změřili, jestli stroj opravdu reprodukuje výšku hlasu každého člověka, a hlasy, které se příliš odchýlily, jsme vyřadili. Když jich chcete víc, udělejte si vlastní. Kolik jich bude, není omezené.

Ne, a to je ten hlavní rozdíl. Komerční nabídka češtiny je ve skutečnosti velmi malá: Antonín a Vlasta od Microsoftu, Jitka od Amazonu a několik hlasů cs‑CZ od Googlu. Všechno ostatní jsou přeprodané varianty téhož. Narakeet inzeruje „93 českých hlasů“; v jeho vlastním seznamu jsou česká jména čtyři, zbytek jsou Mei, Guochao, Gertrud, Toshiro, Jacques, Giovanni a další — tedy hlasy jiných jazyků, které čtou český text. Těch 32 hlasů tady pochází z nahrávek 16 žen a 16 mužů, pro které je čeština mateřština, a žádný z nich se nejmenuje Antonín, Vlasta ani Jitka.

Ano, a není tu žádná podmínka ke splnění. Soubor nemá vodoznak a není omezené, k čemu ho použijete. Hlasy vznikly z Common Voice, který se šíří pod CC0 1.0 — a to není licence s podmínkami, ale vzdání se práv: nemusíte uvádět zdroj ani sdílet výsledek za stejných podmínek. U hlasu, který jste nahráli vy, je právo na jeho použití vaše věc.

Protože jsme se na ně podívali a jeden po druhém je vyřadili — kvůli licencím. VoxPopuli, který má 62 hodin češtiny z jednání Evropského parlamentu, je pod CC BY‑NC: nekomerční užití. Český telefonní korpus je pod CC BY‑SA, tedy ShareAlike, což by podmínky přeneslo na vás, na každého, kdo si odsud stáhne MP3. Common Voice je CC0 a nepřenáší nic. Cena za to je, že se nahrávalo doma, ne ve studiu — cena, kterou platíme my, ne ta, kterou bychom nutili platit vám.

Každý hlas je jeden člověk a nikdo tu není dvakrát. Víme to proto, že Common Voice ukládá ke každému účtu, který nahrává, jeho kód, a podle něj nahrávky seskupujeme. V dřívější verzi tohohle projektu, pro jiný jazyk, se počet lidí zkoušel odhadnout měřením, jak moc jsou si hlasy podobné — a měření tvrdilo, že žena se 196 Hz a muž se 133 Hz jsou tentýž člověk. Proto teď nehádáme nic: čteme to z dat.

Tři až osm sekund stačí. Musí v ní mluvit jeden člověk, zřetelně, bez hudby a hluku na pozadí. Delší nahrávka lepší hlas nedá.

Ne. Předčítač nemá společný seznam hlasů ani tlačítko, kterým by se dal nějaký zveřejnit. Každý hlas, který vytvoříte, dostane náhodný kód uložený jen ve vašem prohlížeči; žádná stránka ani žádné API Předčítače ten kód nevypisuje — ani vám. Rub: když smažete data prohlížeče nebo přejdete na jiný počítač, hlas je pryč.

Společný seznam znamená, že někdo musí kontrolovat každou nahrávku, kterou nahraje cizí člověk. Předčítač nikoho takového nemá. Věta „hlasy se před zveřejněním kontrolují“ by pak byla slib, který nikdo nesplní: buď se pod touhle doménou objeví špatná nahrávka, nebo se neschválí nikdy nic a to políčko je dekorace. Radši jsme veřejnou cestu zavřeli úplně.

Čeština je to, pro co vznikl, a má 32 hlasů. Dalších 63 jazyků má hlasy postavené z nahrávek rodilých mluvčích — mezi nimi slovenština, polština, němčina, ukrajinština i vietnamština. Model zná 646 jazykových kódů, ale mimo těch 63 se slova přečtou s českým přízvukem, a nástroj to řekne dopředu. Celý seznam je na stránce „Jazyky“.

Ano, a je to nejužitečnější dvojice na téhle stránce. Slovenština má hlas rodilého mluvčího, ne českou napodobeninu — rozdíl je slyšet hned na „ľ“, „ô“ a na délce samohlásek. Češi a Slováci si rozumějí bez překladu, ale předčítač, který slovenský text čte česky, zní podivně každému z nich.

Ne úplně, a je lepší to říct rovnou. Common Voice se nahrává doma, na mikrofon, který kdo má — ne ve studiu. Proto tady od každého člověka vybíráme jeho nejčistší nahrávku a potom rozpoznávač řeči ověří, jestli postavený hlas čte slova správně. Když potřebujete reklamní hlas natočený ve studiu, tohle není to místo. Když potřebujete český hlas, který čte správně a je zdarma — tohle to místo je.

U jazyků, které jsme neměřili, na to nástroj upozorní, jakmile se ve vašem textu objeví číslice. Nejjistější je psát čísla slovy. U češtiny je to navíc složitější než jinde: „5 dní“, „2 dny“ a „21 dní“ mají tři různé tvary a stroj nemá jak poznat, který z nich jste mysleli.

Protože celý web běží na jedné grafické kartě. Když si příliš mnoho lidí vyžádá čtení najednou, stránka to řekne hned a napíše, kolik sekund máte počkat — místo aby vás nechala čekat a pak selhala.

Zvukový soubor se dočasně ukládá, abyste si ho mohli stáhnout znovu, když zavřete okno, a sám se po 24 hodinách smaže. Nejsou tu účty, nechceme e‑mailovou adresu a váš text se neukládá navázaný na žádnou identitu.

Asi 2 900. Změřili jsme to na skutečném textu: 5,77 znaku na slovo ve 128 náhodných článcích české Wikipedie a 5,54 ve větách Common Voice. Tvrdý limit je 3 600 znaků, což nechává rezervu na dlouhá slova. To číslo je změřené pro češtinu, ne opsané odjinud.