Offline Sprachausgabe in hoher Qualität

[uweklatt]

Lokaler Text2Speak (TTS) Server

Ich beschreibe hier meine Vorgehensweise zur Einrichtung eines im lokalen Netzwerk befindlichen TTS-Servers. Dieser kann zum Erstellen von WAV-Sounddateien genutzt werden. Als Eingabe dient der gewünschte Text, den man über eine Webschnittstelle an diesen Server sendet und dann die WAV-Datei anschließend von diesem herunterladen und weiter verwenden kann.

Es gibt diverse Stimmen in vielen Sprachen: https://github.com/rhasspy/piper/blob/master/VOICES.md

Verwendete Softwarekomponenten:

• Debian oder Devuan Linux (minimale Serverversion genügt)
• Webserver mit PHP-CGI (lighttpd)
• Python3 mit PIP
• piper (AI-Sprachgenerierung) => https://github.com/rhasspy/piper

Ich habe einen „neuen“ virtuellen Proxmox Server genutzt. Man kann aber auch einen RasPi oder einen anderen Linuxserver verwenden. Dann muss die Installation der einzelnen Softwarekomponenten evtl. angepasst werden. Ich haben Devuan 4 als Basis verwendet. https://www.devuan.org/

Bei Debian/Deuvan basierten Linuxsystemen wird apt zur Softwareverwaltung verwendet.
Das wird auch bei dieser Anleitung verwendet.

Die folgenden Schritte habe ich als root-User durchgeführt:

Installation des Devuan-Linux bzw. Nutzung eines vorhandenen Linux.
Anschließend Update der aktuellen Software:

apt update
apt upgrade

Installation von python und pip:

apt install python3 pip

Installation von piper:

pip install piper-tts

Test der piper Installation: (Optional)

echo 'Willkommen!' | piper --model de_DE-thorsten-high --output_file welcome.wav

Diese WAV-Datei sollte sich mit einem Player abspielen lassen.
Beim ersten Aufruf von „piper“ wird die benutzte Stimme (hier de_DE_thorsten-high) heruntergeladen und im aktuellen Verzeichnis gespeichert. Die generierte WAV-Datei landet ebenfalls im aktuellen Verzeichnis.

Installation des Webservers mit php-cgi:

apt install lighttpd php-cgi

Aktivierung von PHP fastcgi:

ln -s /etc/lighttpd/conf-available/10-fastcgi.conf /etc/lighttpd/conf-enabled/10-fastcgi.conf
ln -s /etc/lighttpd/conf-available/15-fastcgi-php.conf /etc/lighttpd/conf-enabled/15-fastcgi-php.conf

Neustart des Webservers:

/etc/init.d/lighttpd restart

Damit die heruntergeladene Stimme und die WAV-Datei im WEB-Verzeichnis /var/www/html erstellt werden können, bekommt dieses Verzeichnis Schreibrechte für alle User! Das sollte man bei einem öffentlich erreichbaren Server so nicht tun!

chmod 777 /var/www/html

Im Webverzeichnis /var/www/html wird nun eine kleine PHP-Datei index.php erstellt, die zum Empfang des zu erstellenden Textes dient. Sie ruft dann piper mit den erforderlichen Parametern auf.

/var/www/html/index.php:

<?php
  $text = htmlspecialchars_decode($_GET['text']); 
  $text2 = escapeshellarg($text);
  exec("/bin/echo '".$text2."' | /usr/local/bin/piper --model de_DE-thorsten-high --output_file tts.wav");
?>

Nun kann durch den Aufruf des Servers mit Übergabe des Textes eine entsprechende WAV-Datei erstellt werden:
http://server-ip?text=Willkommen

Die WAV-Datei kann anschliessend heruntergeladen werden:
http://server-ip/tts.wav

Im ioBroker nutze ich den Server per JavaScript mit dem Chromecast Adapter.
Der gewünschte Text wird mit dem httpGet() Befehl zum Server übertragen und anschließend die URL der WAV-Datei im Chromecast Adapter im Objekt chromecast.0.Google_Home.player.url2play eingetragen und abgespielt.
Damit das sauber funktioniert, musste ich nach dem Generieren der WAV-Datei eine kleine Pause (1 sec) einfügen, bevor die URL zum Chromecast gesandt wird.
Der Code sieht wie folgt aus:

function talk(text)
{
    setState('chromecast.0.Google_Home.player.volume', 30);
    setState('chromecast.0.Google_Home.player.announcement', "http://ioBroker-ip:8082/sayit.0/tts.userfiles/mp3_silence_1sec.mp3");
    httpGet("http://server-ip/?text="+text, function() 
    {
        setTimeout(function()
        { 
            setState('chromecast.0.Google_Home.player.url2play', 'http://server-ip/tts.wav'); 
        }, 1000);  
    });
}

Eine Demo für den Webbrowser liefert diese HTML-Datei. Sie bietet neben der Eingabemöglichkeit des Textes auch einen Player zum direkten Abspielen im Browser.

<!doctype html>
<head>
<meta charset=utf-8>
<title>TTS-Demo</title>
</head>
<body>
  <?php
    $text = htmlspecialchars_decode($_GET['text']); 
    $text2 = escapeshellarg($text);
    exec("/bin/echo '".$text2."' | /usr/local/bin/piper --model de_DE-thorsten-high --output_file play.wav");
  ?>
  <form action="/play.php">
    <input type="text" name="text" value="<?php echo $text;?>">
    <input type="submit" value="Generate">
  </form> 
  <audio id="audio" controls src="/play.wav"></audio><br>
  <a href="/play.wav">Download WAV</a>
  <script type="text/javascript">
    document.getElementById('audio').addEventListener("ended",function() {
        this.src = "/play.wav.php?nocache="+new Date().getTime();
        this.play();
    });
  </script>
</body>
</html>

Evtl. ist das alles für den Einen oder Anderen nützlich.

Tschau
Uwe

[haselchen]

@uweklatt

Hey...

erstmal Hut ab für die Anleitung. Super gemacht.
Kannst Du vielleicht ein paar Anwendungsfälle geben?

Vielleicht habe ich auch nicht richtig um die Ecke gedacht.
Text und MP3 kann ich ja auch so auf dem Google z.b. ausgeben lassen.
Dazu muss natürlich die ganze Maschinerie laufen, aber das muss Dein Server ja dann auch.....

[uweklatt]

@haselchen sagte in Offline Sprachausgabe in hoher Qualität:

Kannst Du vielleicht ein paar Anwendungsfälle geben?
Text und MP3 kann ich ja auch so auf dem Google z.b. ausgeben lassen.

Die Hauptmotivation war, ohne die Cloud auszukommen.
Die gesamte Sprachgenerierung erfolgt offline, also ohne Cloud. Und das Ergebnis ist deutlich besser, als andere lokale Sprachgeneratoren.

Durch die Implementierung in Verbindung mit einem Webserver kann man die Spracherzeugung leicht in viele Tools und Projekte integrieren.

Längerfristig möchte ich auch die Spracheingabe lokal erledigen.

Tschau
Uwe

P.S: Hier das Ergebnis des Textes "Peiper funktioniert prima im lokalen Netzwerk": play.mp3

[liv-in-sky]

@uweklatt

wo findet letztlich die ausgabe statt ?

[uweklatt]

@liv-in-sky sagte in Offline Sprachausgabe in hoher Qualität:

wo findet letztlich die ausgabe statt ?

In meinem Fall auf einem Google Home mini (mit dem Chromecast Adapter).
Man kann die WAV-Datei aber auch mit einem anderen Netzwerkplayer ausgeben.

Tschau
Uwe

[liv-in-sky]

@uweklatt

also braucht man natürlich eine alexa oder google box

[uweklatt]

@liv-in-sky sagte in Offline Sprachausgabe in hoher Qualität:

also braucht man natürlich eine alexa oder google box

Nein, jedes "Gerät", das WAV-Dateien im lokalen Netzwerk abspielen kann, kann für die Ausgabe verwendet werden. (z.B. auch ein RasPi).

Im Prinzp kann der TTS Server auch selbst die Ausgabe übernehmen, wenn er einen Audioausgang hat. Dann kann die WAV-Datei mit z.B.

aplay /var/www/html/tts.wav

direkt ausgegeben werden. Noch eleganter ist es, die Ausgabe von Piper direkt als Stream in das Audiodevice zu leiten. Piper kann auch direkt Audiodaten als RAW Stream generieren...

Tschau
Uwe

[jwerlsdf]

@uweklatt
Vielen Dank für die Anleitung. Ich habe noch zwei/drei Fragen:

1. Gibt es eine Möglichkeit , anstatt Thorsten eine weibliche Frsuenstimme zu installieren? Wie sähe dies aus?
2. Gibt es die Möglichkeit anstatt wav eine mp3 zu erzeugen?
3. Anstatt chromecast könnte ich ja die Datei such über sonos abspielen?!

Beste Grüße

[uweklatt]

@jwerlsdf
Es gibt auch deutsche Frauenstimmen. Die Namen sind oben verlinkt.
Man muss dazu den Namen der Stimme in der PHP Datei austauschen.
In der verfügbaren Qualität "low" klingen die aber nicht so gut wie Thorsten "high".

Ein MP3 erfordert noch einen weiteren Konvertierungsschritt, z.B. mit ffmpeg.
Auch das kann man in das PHP Script integrieren.

Wenn man dem Sonos eine Datei zum Abspielen übermitteln kann, geht das.
Leider kenne ich die Sonos Geräte zu wenig, um das konkret zu beantworten.

Tschau
Uwe

[Rene55]

@uweklatt Ich geb mich die Tage auch mal dadran - ich hab den Sayit nie ans laufen bekommen (oder falsch verstanden).

[uweklatt]

@rene55
Du hast ja auch Proxmox am laufen. Mein Setup läuft ebenfalls als Proxmox LXC mit dem Devuan 4 Image.

Tschau
Uwe

[Shadowhunter23]

@uweklatt sagte in Offline Sprachausgabe in hoher Qualität:

In der verfügbaren Qualität "low" klingen die aber nicht so gut wie Thorsten "high".

Warum gibt es nur Thorsten als "high" Version?

[uweklatt]

@shadowhunter23
Keine Ahnung.

[Thorsten-Voice]

Guude !
Bin durch @uweklatt auf diesen Thread aufmerksam geworden und habe mich auch gerade erst hier registriert. Sehr schöne Anleitung übrigens .

Mein Name ist Thorsten, Gründer von Thorsten-Voice und zugehöriger Stimmspender.

@Shadowhunter23 : Meine Stimme ist generell auch in der Qualitätsstufen "low" und "medium", sowie in div. Emotionen verfügbar. Woran hängt es denn?

Viele Grüße
Thorsten

[uweklatt]

@thorsten-voice
Die Frage war eher, warum es die anderen Stimmen nicht auch in hoher Qualität gibt.

Tschau
Uwe

[Thorsten-Voice]

@uweklatt Ups, ich sollte tatsächlich richtig lesen .

Mike, der Entwickler von Piper hat die meisten Modelle in "medium" trainiert. Ich habe mein Thorsten Modell selber in "high" trainiert und bereitgestellt.
Eventuell kann man in der Piper Community anfragen, ob er ein anderes deutschsprachiges Modell auch noch in "high" trainieren kann.

[pejasus]

@uweklatt
Danke für diese GENIALE Anleitung!, ich habe Sie auf einem Raspi4 installiert - ohne größere Probleme!