Saltar al contenido principal

Resumen

Documentación de Runtime Text To Speech

Runtime Text To Speech es un plugin que permite la síntesis de texto a voz en tiempo real, sin conexión y multiplataforma. Soporta 40 idiomas, más de 900 voces y 160+ calidades de voz – ahora con Kokoro 🚀, una familia de modelos de voz de código abierto de última generación con salida de calidad de estudio. El plugin es rápido, ligero e ideal para juegos, aplicaciones y proyectos que requieran voz con sonido natural.

Actualmente, el plugin soporta las siguientes plataformas: Windows, Linux, Mac, Android (incluyendo Meta Quest) e iOS.

📹 Míralo en Acción
Mira el Demo en YouTube o prueba muestras de voz genéricas en Piper Samples.

Kokoro​

El plugin ahora implementa modelos de voz Kokoro - arquitecturas TTS de código abierto de alta calidad publicadas recientemente en Hugging Face.

  • 53 modelos de alta calidad en 7 idiomas:
    🇺🇸 Inglés (US) • 🇬🇧 Inglés (UK) • 🇨🇳 Chino simplificado • 🇪🇸 Español • 🇧🇷 Portugués • 🇮🇳 Hindi • 🇫🇷 Francés
  • Vista previa en vivo disponible: Prueba las voces Kokoro
¿Por qué Kokoro?

Los modelos de voz Kokoro están actualmente entre las soluciones TTS de código abierto de más alta calidad disponibles hoy.

Instalación​

Para comenzar, instala los modelos de voz a través de la configuración del plugin en el primer uso. Después de la instalación, puedes empezar a usar el plugin en tu proyecto. Para instrucciones detalladas, consulta la página Cómo usar el plugin.

Detalles del Plugin​

Este plugin proporciona síntesis de texto a voz en tiempo real utilizando las bibliotecas Piper, Kokoro y ONNX Runtime. El plugin te permite descargar y gestionar múltiples modelos de voz desde el editor, los cuales pueden luego empaquetarse con tu proyecto.

La funcionalidad principal consiste en el procesamiento de texto de entrada y la selección del modelo de voz para la síntesis. Algunos modelos de voz soportan múltiples hablantes - por ejemplo, English LibriTTS incluye más de 900 hablantes diferentes, German Thorsten Emotional tiene 7 hablantes, etc. La salida es datos de audio PCM (en formato float) con la tasa de muestreo y número de canales correspondientes. Convertir estos datos de audio crudos en una onda de sonido reproducible requiere el plugin Runtime Audio Importer.

Recursos Adicionales​