2020 年 6 月 20 起,本站采用阿里云智能语音合成技术,实现了博客文章自动生成音频,全年付费生成消耗不足 9 元。直到现在终于替换为微软神经网络语音合成技术,主要原因在于迄今为止它是做的最逼真、最自然的。万千音色、多种风格,以及其他语音合成所没有的呼吸声,在智能语音合成领域,敢称第二没人敢称第一。
0. 效果截图
1. 开发理由
虽然语音合成技术很早就有,唯一的缺点就是很少有面向普通人的可视化操作工具,一方面开发这种工具变现困难,另一方面这些可视化工具以往依赖于最底层的 C 类编程语言,不过都 2022 年了,许多跨端技术的出现,比如 fluent、webview2 等,使得以往全栈开发者都可以降维开发桌面跨端 app。这也是我开发这套工具的技术基础。 本次开发借助 wails 工具,实现了 go 后端+vue 前端合并开发,最终体积只有 3.6Mb,里面包含 15 种音频预览。这种组合开发,既可以全前端 wasm 实现,也可以用 go 实现,自由度非常高。除此之外,微软亚洲研究院也详细介绍了fastspech
模型和相关文献资料,对科研工作者的故事和背景做了详细报道,反观国内互联网企业,涉及技术性的东西从来只是强堆概念,微软亚洲研究院在这方面做的就很开放和自由,带给阅读者更多启发。
2. 为什么做 paper2gui?
当今世界,技术再牛,如果没有简单的可视化操作入口,只能尘封。价值来源于广泛的使用,挖掘那些论文里被尘封的潜在价值,就是半年前我创建 paper2gui 的初衷,让更人工智能产物更简单直接的面向普通大众。
3. 反内耗后的研究思路
在书写代码的风格里,类 yaml 格式最符合人脑,也最受欢迎,比如python
、pug
、stylus
,在项目范畴上,通用仓库更容易获得青睐,比如 antfu 大佬写的unplugin
系列远比unocss
受欢迎,后者顶多只能做到类tailwindcss
这样的分流主线,有着创始人意味,而unplugin
系列包罗万象,这种兼容性极强的工具,就会成为类vue
或vite
,成为万千喜爱的大众项目。 国内很多新手眼界很窄,从来不想想跨领域的事情,只觉得眼下就是一切,一叶障目很危险的。像我,不仅广泛浏览和思考全球优秀的 UI 设计,同时也全栈开发一些网页,还有降维操作的桌面 app,实时查看 GitHub 感兴趣的仓库代码变更,从源头理清开发者思路,虽然不能主动提出科研问题,却可以按月实现一个自己的小灵感。越是前沿、越是国际化的东西,实际上最终都是通用的,让你感受到的痛点和爽点,在程序领域总有类似的群体感觉,所以日常更新迭代就可以逐步趋向大同。 假如你持久跟随在这些顶尖开发者的逻辑,渐渐的你就有了他们视角之外的想法,从而提出改进意见或者干脆自己提个 pull。在追逐 nuxt3 的更新里,我认识了国内 antfu 大佬,老外怒赞他一个人顶十个,精力无限灵感无限,更重要的是人家乐意为开源服务。在追逐 ncnn 项目时,我认识了 nihui 这样的大佬,虽然不像 antfu 那样高产,但确实把论文变成普通人使用的工具上有很突破,本次的微软神经网络语音合成,让我认识了Xu Tan谭旭
这样的国内人工语音合成领域的高手。追逐这些顶尖高手的过程,很有趣,见识也大涨,不惧怕失败,也不惧怕错误,面对全新的想法付出实践时,如果没有 99%的失败,证明的你的工作毫无创意。这也是我连续数月不断挑战多个领域,每月一个新品的现实行动,高产出,高实践,高挫折,同样带给我无限的喜悦、兴奋和自豪。
4. 其他
软件下载地址: https://github.com/Baiyuetribe/paper2gui
阿里云盘:https://www.aliyundrive.com/s/2b4hyudGkni