A beszédszolgáltatás
A beszédszolgáltatás lapjai: az Áttekintés, a beszédmodell letöltése, a hangprofilok, az Élő nézet, a Beállítások és a Futási kép.
A beszédszolgáltatás (voiceserver) a tolmács hangja: kimondja a lefordított mondatot, kérésre a beszélő klónozott hangján. A fordítóhoz hasonlóan két részből áll: az előtétből, amely a kéréseket fogadja és a webes felületet adja, és a motorból, amely az XTTS-v2 beszédmodellt futtatja. A felület a gépen alapból a http://127.0.0.1:8091/admin címen érhető el; a fejlécben „Beszédszolgáltatás” áll.
Két fogalom, ami a fejezetben végig előkerül:
| Fogalom | Mit jelent |
|---|---|
| hangminta | A beszélő néhány másodperces felvétele. A LiveCaption gépén marad, a szolgáltatásra sosem kerül fel. |
| hangprofil | A hangmintából számolt hanglenyomat, névvel elmentve a szolgáltatás gépére. Ebből a motor ugyanazon a hangon tud beszélni, de magát a felvételt visszaállítani belőle nem lehet. |
Áttekintés
Az Áttekintés a közös lapok szerint működik; a beszédszolgáltatáson három dobozt mutat: az Előtét (verzió, indulás, futásidő, a Beszéd-API címe, a kérések száma), a Motor (vezérelt-e, a portja, az automatikus újraindítások száma, a motor mappája) és a Beszédszintézis (a motor saját jelentése: a modell, az eszköz, a betöltöttség).
- A Motor újraindítása akkor kell, ha a motor beragadt.
- A Motor leállítása tartósan leállítja a motort, és felszabadítja a videómemóriát; a tolmács addig nem szól.
- Ha a motor összeomlik, az előtét magától újraindítja; az Újraindítások sor mutatja, hányszor történt ez. Ha a szám folyamatosan nő, a Naplók lapon keresd az okot.
A beszédmodell
A Hangprofilok lap tetején A beszédmodell (XTTS-v2) doboz áll: megvan-e a modell, és mekkora. A modell nélkül a motor el sem tud indulni. Ha „A modell megvan” felirat látszik, nincs teendő.
Ha a modell hiányzik vagy hiányos (egy korábbi letöltés félbemaradt), innen is letölthető (nagyjából 1,8 GB, a Hugging Face-ről):
- Olvasd el a licencet (A licenc szövege hivatkozás). A modell a Coqui Public Model License (CPML) alatt érhető el, és csak nem kereskedelmi célra használható.
- Pipáld be az Elfogadom a CPML licencet jelölőt; a letöltés gombja csak ezután él.
- Nyomd meg a Modell letöltése gombot. A haladás százalékban és letöltött adatmennyiségben látszik, a sebességgel és a hátralévő idővel együtt.
- Ha meggondolod magad, a Megszakítás gomb leállítja; a félkész fájlok törlődnek.
- A sikeres letöltés után az elbukott motor magától újraindul. A szándékosan leállított motort nem indítja el – azt a Motor újraindítása gombbal indíthatod.
A letöltéshez valódi belépés és a modellek letöltésének joga kell, és az audit napló megjegyzi, ki indította és hogy elfogadta a licencet. Ha két percig nem érkezik adat, a letöltés megállt: a szolgáltatás leállítja, és a doboz ezt kimondja – ilyenkor ellenőrizd a hálózatot, és indítsd újra. Ha a gépen épp a konzolos előkészítő (prepare-engine) vagy egy másik példány tölti le ugyanezt a modellt, a lap nem indít második letöltést, hanem megmondja, hogy várni kell.
Hangprofilok
A Hangprofilok lap azt sorolja fel, milyen hangokon tud megszólalni a beszédszolgáltatás.
Kétféle sor van:
- beépített: a modell saját, előre adott hangja. A modellel érkezett, ezért nem törölhető.
- mentett: egy LiveCaption által feltöltött hangprofil. A neve egyben az azonosítója: a LiveCaption ezzel a névvel kéri, hogy a tolmács ezen a hangon szóljon.
| Oszlop | Mit jelent |
|---|---|
| Név | A hang azonosítója. |
| Fajta | beépített vagy mentett. |
| A minta hossza | Hány másodperces felvételből készült. A hosszabb minta rendszerint hűbb hangot ad; hat másodperc alatt a szolgáltatás már a feltöltésnél figyelmeztet. |
| Mentve | Mikor került a profil a szolgáltatás gépére. Az azonos névvel újra feltöltött profil felülírja a régit – ebből látszik, melyik van most a gépen. |
| A memóriában | Benne van-e most a motor memóriájában. A motor csak a legutóbb használt néhány hangot tartja bent; a többit a következő kérés tölti vissza. Ez nem a profil érvényessége. |
A lapon nincs meghallgatás, mert nincs mit lejátszani: a felvétel nem a szolgáltatáson van. Egy hang kipróbálására a LiveCaption hangpróbája való (Tolmácsolás és hangminta). Új hangprofilt is a LiveCaption tölt fel, nem ez a lap. Ha a lista helyén figyelmeztetés áll, a motor épp nem válaszol; a Frissítés gomb a motor felállása után újra lekéri a listát.
Egy hangprofil törlése
- Nyomd meg a mentett sor végén a törlés ikonját.
- A megerősítő ablak kimondja, mi tűnik el; erősítsd meg.
A törlés végleges: a hanglenyomat nem állítható vissza, mert a felvétel nincs a szolgáltatáson. Valódi belépés kell hozzá, és az audit napló megjegyzi, ki mit törölt. A LiveCaption gépén maradt hangminta viszont ott marad, és a következő használatkor a LiveCaption újra feltöltheti – ha végleg meg akarsz szabadulni egy hangtól, a helyi mintát is törölni kell. Ne törölj hangot tolmácsolás közben: a futó tolmácsolás a következő mondatnál veszi észre, hogy a hang eltűnt.
Élő nézet
Az Élő nézet ugyanúgy működik, mint a feliratozón (lásd A feliratozó fejezet Élő nézet részét). A beszédszolgáltatáson egy pötty egy szintézis: egyszerre ennyi mondat készül; a motor mondja meg, hány fut és hány vár.
Ha a tolmács hangja késik, és a várakozik érték tartósan nagyobb nullánál, a motor nem győzi a mondatokat: nézd meg A gép görbéjén, nem foglalja-e a videokártyát más.
Beállítások
A Beállítások lap a közös lapok szerint működik.
A beszédszolgáltatás egyik fontos sora a device: melyik eszközön dolgozzon a motor. Alapból Windowson és Linuxon cuda (NVIDIA-kártya híján cpu), Apple Silicon Macen mps (a Mac grafikus gyorsítója). Ha egy gépen két beszédszolgáltatás fut, mindegyiknek külön kártya adható (cuda:0, cuda:1). Ez a sor látszik, de szándékosan nem szerkeszthető a lapon: az indítószkript -Device kapcsolójával vagy a konfigfájlban állítható. Egy nem létező kártyaszám esetén a motor beszédes hibával megáll, nem vált csendben másikra.
Futási kép
A Futási kép a közös lapok szerint működik; a beszédszolgáltatáson ezen felül megmutatja a modell helyét (a TTS_HOME mappát, a motor környezetén kívül) és a motor saját naplófájlját is.
Az előtét naplója a voiceserver-log, a motoré a voice-log mappában van. Ha a motor nem indul, mindkettőt érdemes megnézni: hibakeresésnél épp az a kérdés, melyikük mit látott.
Ha a tolmács nem szólal meg
- Az Áttekintés „Elbukott”-at mutat: olvasd el az okot. Ha a modell hiányzik, töltsd le a Hangprofilok lapon.
- A motor fut, de a LiveCaption nem kap hangot: a Kapcsolatok lapon nézd meg, megérkezik-e a kérés, és milyen kóddal válaszol a szolgáltatás. A 401 vagy 403 kulcs- vagy jogosultsághibát jelent.
- Nem a beszélő hangján szól: nézd meg, ott van-e a mentett hangprofil a listában. Ha nincs, a LiveCaption a következő használatkor újra feltölti a gépén maradt hangmintából.
- A szolgáltatás nem indul, mert a videómemória kevés: a beszédszolgáltatásnak a feliratozó előtt kell elindulnia, mert a feliratozó a szabad memória szinte egészét lefoglalja.
További tünetek: Hibaelhárítás.