ตัวอย่าง

ทำการอัดเสียงคำว่า "น้ำ" และ "ฟ้า"



บันทึกไฟล์เสียงคำว่า "น้ำ" เป็นไฟล์ "num.wav" และ บันทึกไฟล์เสียงคำว่า "ฟ้า" เป็นไฟล์ "fa.wav" แล้วนำไฟล์ทั้งสองไปเก็บไว้ในโฟลเดอร์ชื่อ data
แล้วทำการสร้างไฟล์ data.txt โดยมีข้อมูลดังนี้

น้ำ,num
ฟ้า,fa

โดยข้อมูลคอลัมน์แรก คือ คำ ส่วนคอลัมน์ที่สอง คือ ชื่อไฟล์

ต่อไปลงมือเขียนโปรแกรมสำหรับ  Text to Speech ก่อนอื่น ให้ทำการติดตั้ง pydub , pyaudio และ marisa_trie ด้วยคำสั่ง

pip install pydub pyaudio marisa_trie

และให้ทำลบ PyThaiNLP ด้วยคำสั่ง

pip uninstall pythainlp

แล้วทำการติดตั้ง PyThaiNLP ที่อยู่ใน GitHub ล่าสุดด้วยคำสั่ง

pip install https://github.com/PyThaiNLP/pythainlp/archive/dev.zip

เนื่องจากบน GitHub ของ PyThaiNLP ได้มีการปรับปรุง dict_word_tokenize แล้ว แต่ใน PyPI ยังไม่ได้ปล่อยเวชั่นใหม่ที่รวมการปรับปรุงนี้

ลงมือโค้ดกัน

แล้วทำการบันทึกไฟล์โค้ด python นี้ ไว้กับโฟลเดอร์เดียวกันกับไฟล์ data.txt แล้วลองรัน

TTS พัฒนาโดย นาย วรรณพงษ์ ภัททิยไพบูลย์
Text : น้ำฟ้า

ผลลัพธ์
สามารถดูตัวอย่างไฟล์เสียงได้ที่ https://github.com/wannaphong/python-thai-tts-simple

การสร้าง Text to Speech ด้วยวิธีข้างบนถือว่าสามารถทำได้ง่ายและรวดเร็ว แต่มีข้อเสียที่ เสียงออกเหมือนหุ่นยนต์ และ ไม่สามารถสังเคราะห์เสียงคำอื่น  ๆ ที่ไม่มีในพจานุกรมเสียงได้

การนำไปพัฒนาต่อ อาจนำหลักการทางภาษาศาสตร์เข้ามาช่วยพัฒนาเครื่องมือสังเคราะห์เสียง เช่น   Grapheme-to-Phoneme เป็นต้น หรือ อาจลองพวก Deep learning อย่าง Tacotron หรือ Deep Voice เป็นต้น แต่สิ่งที่สำคัญยิ่งกว่าเครื่องมือ นั้นคือ คลังข้อมูลเสียง คลังข้อมูลเสียงจะต้องเพียงพอสำหรับนำไปใช้งาน

เป็นเรื่องที่น่าเศร้าที่ภาษาไทยไม่มีคลังข้อมูลเสียงภาษาไทย ที่สามารถนำไปพัฒนาเป็นโอเพนซอร์ซ (open source) ได้เลย อันเนื่องจากปัญหาด้านลิขสิทธิ์ , กฎหมาย และอื่น ๆ การที่จะทำ Text to Speech ภาษาไทยที่เป็นโอเพนซอร์ซที่สามารถใช้งานได้ทั้งภาษาจะต้องอาศัยข้อมูลเสียงหลายสิบชั่วโมงแถมจะต้องใช้ความรู้และงบประมาณพอสมควร