ස්කොට්ලන්ත උච්චාරණය සහිත ස්වයංක්‍රිය හඬක් සොයා ගතේ අභියෝගය – ලාභ සහ අඩුපාඩු

අපි නිෂ්පාදන විඩියෝවක් සඳහා නාරේටරයක් අවශ්‍ය වුණා. නමුත් එය සාමාන්‍ය මිනිස් කථිකයා නොව, ස්ක්‍රිප්ට් එක කියන සින්තසයිස් කරන හඬක් විය. මෙය සරල වැඩක් වගේ දැනුනත්, හඬේ අක්‍ෂර, ස්වභාවිකත්වය, ස්කොට්ලන්ත උච්චාරණය, සත්‍ය‑ඔෆ්ලයින්, නොමිලේ යන හතරේම අංග එකවර ගන්න බැරි බව පෙනී වැටුණා.

පයිපර් (Piper) සමඟ මුලින්ම පරීක්ෂා කළේ – en_GB-alba-medium නමැති ස්කොට්ලන්ත පිරිසිදු කථිකා ශබ්දයක්. මෙය සත්‍ය‑ඔෆ්ලයින්, නොමිලේ, සහ අවශ්‍ය උච්චාරණය තිබුණා. නමුත් දෙකේ ප්‍රශ්න පැන නැගුණා. එකක් නම් සංඛ්‍යා ලියන විට 222,000 වැනි අංකයන් “දෙක ලක්ෂ දෙය” ලෙස හඳුන්වා නොදෙයි; වෙනුවට අසමත් වචන ගැලපේ. ඒ සඳහා අපි සින්තසයිසර් වෙනුවට ස්ක්‍රිප්ට් එකම වෙනස් කර, සියලු අංකයන් වචන ලෙස ලියලා හඳුන්වා දුන්නා – මෙය ඉන්ජින් වෙනස් නොවූවද, සියලු පසුගිය හඬවලටත් ක්‍රියාත්මක වුණා.

දෙවන ප්‍රශ්නය වන්නේ වාක්‍ය මට්ටමේ ප්‍රොසෝඩි – පයිපර් එකේ වාක්‍ය ගොඩනැගීම තට්ටු, රොබෝ වගේ පැනේ. එය නිවැරදිව ගෙන යාමට අඩුම තලයක් නිසා, පයිපර් අත්හැරීමට සිදු වුණා.

විකල්ප පරීක්ෂණ – එක් එක් ගැටලුව

• Kokoro‑82M (bf_emma) – ස්ථානික, නිදහස්, වඩාත් ස්වභාවික, නමුත් උච්චාරණය බොහෝම අඩු, "බ්ලෑන්ඩ්" ලෙස පෙනුනේ.
• F5‑TTS (Alba clone) – ඉහළ ප්‍රොසෝඩි, නමුත් උච්චාරණය ඉංග්‍රීසි වගේ වෙලා, Alba ශබ්දය අඩු වුණා. මෙය CPU පරිසරයක් සකස් කිරීමත් සමඟ වැඩ කළා.
• ElevenLabs (cloud) – සත්‍ය ස්කොට්ලන්ත ශබ්දය සහ ස්වභාවිකත්වය තිබුණා, නමුත් ගාස්තුව නිසා තවදුරටත් පියවරක් නොගත්තා. (කොටසක් පමණක් cloud‑වලදී පවත්වාගත හැකිද?)
• RVC Voice Conversion – තාක්ෂණිකව හැකියාව තිබුණා, නමුත් පරිසර සංකීර්ණතාව සහ ගැඹුරු පරීක්ෂණ අවශ්‍යතාවය නිසා අතහැරුණා.
• CereProc Heather – The Scottish Voice – ඉතා උසස් ගුණාත්මක ස්කොට්ලන්ත ශබ්දයක්, ස්ථානිකව ස්ථාපනය කළ හැකි. නමුත් විකුණුම් කඩය වැසී තිබුණා, සහ නොමිලේ ලබා ගැනීමට රජයේ ඊ‑මේල් ලිපිනයක් අවශ්‍ය වුණා.

ශ්‍රී ලංකාවට ඇති වැදගත්කම

ශ්‍රී ලංකාවේ තාක්ෂණික සංවර්ධනයේදී, ඔෆ්ලයින් AI සහ TTS විසඳුම් ඉතා වැදගත්. ග්‍රාමීය ප්‍රදේශවල අන්තර්ජාලය අඩු වීම නිසා, නොමිලේ, ස්ථානික හඬ සේවාවන් භාවිතා කිරීමෙන් අධ්‍යාපන වීඩියෝ, ප්‍රවේශන, සහ පාරිභෝගික සේවාවන් වඩාත් ප්‍රවේශමත් වේ.

ඉදිරියේදී, ශ්‍රී ලංකාවේ මෘදුකාංග සංවර්ධකයින්ට මෙම පර්යේෂණයෙන් ආකෘතිකරණය කර, තමන්ගේම ස්කොට්ලන්ත හෝ වෙනත් ප්‍රදේශීය උච්චාරණයක් ඇතුළත් TTS යෙදුම් නිර්මාණය කළ හැකිය. එමඟින්, දේශීය ව්‍යාපාරයන්ට අන්තර්ජාල නොමැති පරිසරයන්හිම පාරිභෝගික අත්දැකීම් උසස් කිරීමේ අවස්ථාව ලැබේ.

එසේම, විශ්වවිද්‍යාල සහ පාසල් පංති සඳහා ඉංග්‍රීසි උච්චාරණය ඉගැන්වීමේ අරමුණින්, ස්කොට්ලන්ත හඬක් වැනි විවිධ ප්‍රාදේශීය ශබ්ද මෝඩල භාවිතයෙන් ශබ්ද පරිපාලනයේ නව මාදිලි පරිච්ඡේදනය කළ හැකිය.

අවසන් වශයෙන්, මෙවැනි පරීක්ෂණයන් අපට ඉදිරියේ AI‑වල පරිසර-හිතකාමී, වියදම්-කෙටි විසඳුම් සොයාගැනීමට මඟ පෙන්වයි. ශ්‍රී ලංකාවේ තාක්ෂණික ප්‍රවේශයන්ට මෙය අගනා පදනමක් වේ.