Text a veu

No. No hi ha pla de pagament, no hi ha res per millorar i no es demana cap targeta. Els límits són 500 paraules de cop, 5 segons entre dues peticions i un límit diari per adreça IP. Prou ample per treballar-hi de debò i prou estret perquè una sola targeta gràfica pugui atendre molta gent alhora.

No. Obriu la pàgina i comenceu. No hi ha registre ni cap correu de confirmació.

Sí, i és la raó principal per la qual existeix aquesta pàgina. Hi ha veus dels 5 parlars: central (5), valencià (6), balear (6), nord-occidental (5) i septentrional (4). El parlar de cada veu no l’hem endevinat nosaltres: el va declarar la mateixa persona que va fer l’enregistrament, a la columna «accents» de Common Voice. Les altres pàgines gratuïtes revenen veus d’Azure, i totes tres són centrals.

No: és la mateixa llengua amb un nom propi al País Valencià, i així ho diu el dictamen del 2005 de l’Acadèmia Valenciana de la Llengua, que és l’acadèmia oficial valenciana. Ara bé, els parlars sonen diferent de debò, i fins ara cap eina gratuïta no us deixava triar. Aquí sí. Si busqueu «veu valenciana», el que trobareu és exactament això.

Perquè n’hi ha més al corpus. Comptant només qui va declarar el parlar i té prou enregistraments nets, Common Voice en català té 281 persones centrals, 37 nord-occidentals, 29 balears, 24 valencianes i 12 septentrionals. Podríem haver igualat els números baixant el llistó per als parlars amb menys gent, però llavors les veus amb menys mostres sonarien pitjor i el número seria bonic mentre el producte empitjorava. Val més dir d’on surt el desequilibri.

No n’hi ha, i la raó no és un descuit. A l’Alguer, a Sardenya, hi queden pocs milers de parlants, i al corpus obert que fem servir no hi ha ningú que hagi declarat aquest parlar. Sense enregistraments amb el codi de qui parla no podem ni comprovar que dues veus «diferents» no siguin la mateixa persona. És una manca de dades obertes, no una tria — i val més dir-ho que callar-ho.

Perquè aquestes 26 veus són 26 persones diferents. Totes surten de Common Voice, el corpus obert de Mozilla, on cada enregistrament porta el codi de qui el va fer. No endevinem quanta gent hi ha als enregistraments: ho diuen les dades. A més hem mesurat si la màquina reprodueix de veritat el to de cada persona, i les veus que en sortien massa desviades s’han tret. Si en voleu més, feu-vos-en una. No hi ha límit de quantes.

No, i és la diferència més important. Gairebé totes les pàgines gratuïtes revenen les mateixes veus ca-ES d’Azure — Enric, Alba i Joana — de vegades amb un altre nom a sobre. Les 26 veus d’aquí surten d’enregistraments de 13 dones i 13 homes que tenen el català com a llengua pròpia, i cap d’ells no es diu Enric, Alba ni Joana.

Sí, i aquí no hi ha cap condició a complir. El fitxer no porta marca d’aigua i no hi ha cap límit sobre per a què el feu servir. Les veus s’han fet a partir de Common Voice, que es distribueix sota CC0 1.0 — que és una renúncia de drets, no una llicència amb condicions: no cal citar la font ni compartir el resultat en les mateixes condicions. Per a una veu que hàgiu pujat vosaltres, el dret a fer-la servir és cosa vostra.

Perquè les hem mirades i les hem descartades, una per una. LaFresCat, del Barcelona Supercomputing Center, és el corpus que més s’acostaria al que fem: quatre parlars, un home i una dona per parlar, gravats en estudi per actors professionals. Però va sota CC BY-NC, i la seva pròpia fitxa diu que l’ús comercial només és possible amb permís dels actors. Són veus de persones reals que les van deixar amb condicions; obrir-les perquè qualsevol en generi el que vulgui és fer-ne un ús que elles no van acceptar, cobrem o no cobrem. Festcat i l’OpenSLR 69 en català van sota ShareAlike, que us encomanaria condicions a vosaltres. Common Voice és CC0 i no n’encomana cap.

Cada veu és una persona i cap persona no hi surt dues vegades. Ho sabem perquè Common Voice guarda un codi per a cada compte que enregistra, i el fem servir per agrupar. En una versió anterior d’aquest projecte, per a una altra llengua, es va provar de comptar les persones mesurant com se semblaven les veus — i la mesura deia que una dona de 196 Hz i un home de 133 Hz eren la mateixa persona. Per això ara no endevinem res: ho llegim de les dades.

De tres a vuit segons n’hi ha prou. Ha de parlar-hi una sola persona, clar, sense música ni soroll al darrere. Un enregistrament més llarg no dona una veu millor.

No. Sil·labari no té cap llista comuna de veus ni cap botó per fer-ne pública cap. Cada veu que creeu rep un codi a l’atzar que només es guarda al vostre navegador; cap pàgina ni cap API de Sil·labari no llista aquest codi — tampoc per a vós. El revers: si esborreu les dades del navegador o canvieu d’ordinador, la veu s’ha perdut.

Una llista comuna vol dir que algú ha de revisar cada enregistrament que puja un desconegut. Sil·labari no té ningú que ho faci. Una frase com «les veus es revisen abans de sortir» seria llavors una promesa que ningú no pot complir: o bé apareix un enregistrament dolent sota aquest domini, o bé no s’aprova mai res i la casella és decoració. Hem preferit tancar del tot el camí públic.

El català és per al que està fet, amb 26 veus. A més, altres 63 llengües tenen veus fetes a partir d’enregistraments de parlants nadius, incloent-hi l’occità — que en la seva forma aranesa és llengua oficial a Catalunya — i el gallec. El model coneix 646 codis de llengua, però fora d’aquestes 63 les paraules es llegiran amb accent català, i l’eina ho diu abans. La llista sencera és a la pàgina «Llengües».

No, en cap de les dues, i val més dir-ho clar perquè totes dues serien útils aquí: el basc és l’altra llengua no romànica de l’Estat i l’àrab és la llengua estrangera més parlada a Catalunya. El corpus obert d’on surten les veus de parlant nadiu, FLEURS, no inclou cap de les dues. Sí que hi ha occità, gallec, castellà, francès i italià. Podeu comprovar la llista sencera vosaltres mateixos: és pública a /api/giong.

No del tot, i val més dir-ho. Common Voice s’enregistra a casa, amb el micròfon que cadascú té — no en un estudi. Per això aquí es tria l’enregistrament més net de cada persona i després un reconeixedor de veu comprova si la veu construïda llegeix bé les paraules. Si us cal una veu d’anunci feta en estudi, aquest no és el lloc. Si us cal una veu catalana que llegeixi bé i sigui de franc — sí que ho és.

Sí, i força més del que esperàvem. Ho hem mesurat: cinc parells de paraules ben escrites i mal escrites, llegides per tres veus i comprovades amb un reconeixedor de veu. En tres parells de cinc — col·legi, paral·lel, intel·ligent — el lector va llegir bé fins i tot l’escriptura sense punt volat, com si l’hagués corregida. En els altres dos no: «novella» va sortir com «no vella» i «sillaba» com «sillava». Val la pena escriure-la bé, doncs, però no és el desastre que us podríem haver explicat. Al mig de la pàgina hi ha les tres maneres com se sol escriure malament i què passa amb cadascuna.

Per al català està mesurat i funciona. Per a llengües que encara no s’han mesurat, l’eina ho avisa tan bon punt hi ha una xifra al vostre text. El més segur és escriure els números amb lletres abans de fer-lo llegir.

Perquè tot el lloc funciona amb una sola targeta gràfica. Quan massa gent demana una lectura alhora, la pàgina ho diu de seguida i us indica quants segons heu d’esperar, en comptes de fer-vos esperar i fallar després.

El fitxer de so es guarda temporalment perquè el pugueu tornar a baixar si tanqueu la finestra, i s’esborra sol al cap de 24 hores. No hi ha comptes, no demanem cap adreça de correu i el vostre text no es desa lligat a cap identitat.

Uns 3.000. Ho hem mesurat sobre text real: 5,99 caràcters per paraula en articles de la Viquipèdia i 5,79 a les frases de Common Voice. El límit dur és de 3.800 caràcters, que deixa marge per a paraules llargues. El número està mesurat per al català i no copiat d’un altre lloc.