Oʻzbekcha

Даём узбекскому тексту живой голос

Notiq TTS — синтезатор речи, созданный для узбекского языка. Ему не нужны ни интернет, ни видеокарта: он работает на обычном компьютере.

ПопробоватьAPI для разработчиков

Попробуйте сами

Время до первого звука
0,2 секунды
Быстрее реального времени
в 7 разна обычном процессоре
Неверно услышанные слова
4,1 %на 300 фразах
Чистота звука
4,95 баллаNISQA v2, шкала до 5
Размер одного голосового пакета
54 МБ

Послушайте голоса

Голос 1

женский

Голос 2

женский

Голос 3

мужской

Голос 4

мужской

Сравните с Muxlisa AI

Kech kuz edi. Buvim deraza oldida oʻtirib, uzoqlarga tikilardi. — Bolam, — dedi u sekin, — odam umr boʻyi shoshadi, lekin eng shirin damlar shoshmagan paytingda oʻtadi. Men indamay uning yoniga oʻtirdim.

Женский голос

Notiq TTS

Muxlisa AI

Мужской голос

Notiq TTS

Muxlisa AI

слово — произнесено неверно; записано так, как прозвучалослово — отдельные звуки программа расслышала нечёткоВсе образцы обеих систем проверены одними и теми же программами.

Время ответа

До первого звукаменьше — лучше
До первого звука. Notiq TTS: 0,1–0,3 с; Muxlisa AI: 2,5–4,5 с.Notiq TTSNotiq TTS: 0,1–0,3 с0,1–0,3 сMuxlisa AIMuxlisa AI: 2,5–4,5 с2,5–4,5 с
До первого звука
Notiq TTS0,1–0,3 с
Muxlisa AI2,5–4,5 с
До готовности всей речименьше — лучше
До готовности всей речи. Notiq TTS: 1–2 с; Muxlisa AI: 5–8 с.Notiq TTSNotiq TTS: 1–2 с1–2 сMuxlisa AIMuxlisa AI: 5–8 с5–8 с
До готовности всей речи
Notiq TTS1–2 с
Muxlisa AI5–8 с

Это сравнение не в равных условиях. Пять текстов выше (11–17 секунд речи) отправлялись Notiq TTS по три раза, Muxlisa AI — по одному. Notiq TTS работал на сервере этого сайта, в 2 потоках процессора, без видеокарты; Muxlisa AI работает на своих серверах и присылает ответ через интернет. Дата замера: 16 ноября 2026 года.

Как это работает

  1. СТУПЕНЬ 1

    Разбор текста

    Текст делится на предложения; числа, даты и сокращения записываются словами. Каждое слово раскладывается на звуки, и для каждого звука определяются десятки признаков: место в слоге, ударение, место в слове и в предложении, тип предложения.

    RHVoice: правила и словарь, без нейросети
  2. СТУПЕНЬ 2

    Акустическая модель

    Нейросеть сначала предсказывает длительность и высоту каждого звука, а затем по ним рисует черновой спектр речи — один кадр на каждые 5 миллисекунд. Модель также определяет, звонкий это кадр или глухой.

    Трансформер, 4 + 4 слоя · 10 млн параметров
  3. СТУПЕНЬ 3

    Проявитель

    Черновой спектр получается слишком гладким, и голос по нему звучит глухо. Отдельная модель, проявитель, добавляет мелкие детали, свойственные живому голосу. Большая модель делает это за десятки шагов, а обученная у неё компактная — всего за 2.

    Flow matching, 2 шага · 4,7 млн параметров
  4. СТУПЕНЬ 4

    Вокодер

    Готовый спектр превращается в звуковую волну: 24 000 значений в секунду.

    Vocos · 13,5 млн параметров
  5. СТУПЕНЬ 5

    Темп и передача

    Темп речи приводится к выбранному слушателем; высота голоса при этом не меняется. Длинный текст рассчитывается по частям, и готовая часть звучит сразу.

    Sonic · передача по частям

Преимущества

  • Работает на самом устройстве

    Не нужны ни сервер, ни интернет, ни видеокарта.

  • Данные не уходят наружу

    Читаемый текст никуда не отправляется.

  • Произношение можно исправить

    Чтение слов настраивается словарём и правилами.

  • Результат не меняется

    Один и тот же текст всегда читается одинаково.

  • Удобно незрячим

    Подключается к программе экранного доступа NVDA.

  • Нет платы за каждый запрос

    Устанавливается один раз и работает без ограничений.

Из чего состоит проект

Создано нами

  • Акустическая модель. Нейросеть, которая по тексту рассчитывает мелодию речи, длительность звуков и спектр. Обучена с нуля; её устройство опирается на идеи семейства FastSpeech.
  • Проявитель — модель уточнения спектра. Добавляет голосу естественные детали и делает это всего за два шага.
  • Способ обучения. Разметка, которая находит настоящие паузы в записях диктора, и рецепт, по которому новый голос готовится за несколько часов.
  • Механизм синтеза. Объединяет все части, передаёт речь по частям и работает на обычном процессоре — для Windows и Linux.
  • Работа над узбекским произношением. Исправления в правилах и словаре.
  • Дополнение для NVDA и голосовые пакеты.
  • Порядок измерения качества. Испытание на 300 фразах, проверка на слух и сравнение с другими системами.

Готовые части

  • RHVoice — разбор текста: деление слов на звуки, ударение, чтение чисел. Ольга Яковлева и соавторы. LGPL 2.1.
  • Пакет узбекского языка для RHVoice. Разработан компанией Non-Routine LLC по заказу и на средства Центра незрячей молодёжи города Ташкента, при консультациях лингвиста центра. LGPL 2.1.
  • Vocos — вокодер. MIT.
  • ONNX Runtime — среда запуска моделей. Microsoft. MIT.
  • Sonic — изменение темпа речи. Apache 2.0.

Средства, использованные при обучении и проверке: PyTorch, HTK, WORLD; распознавание речи на этой странице — Whisper (navai-uz/whisper-medium-uzbek) и wav2vec 2.0 (sarahai/uzbek-stt-3); чистота звука — NISQA v2. Образцы Muxlisa AI получены через открытый программный интерфейс сервиса, без изменений.