TTS Diphone

Presentation

Moteur de synthese vocale pour le francais base sur la concatenation de diphones dans le domaine WORLD (F0 + spectral envelope + aperiodicity). Produit un signal audio haute fidelite a 44100 Hz avec une prosodie reglee (intonation, pauses, expressivite).

Trois modes de lecture : FLUIDE (lecture naturelle), MOT_A_MOT et SYLLABES — adapte a l’apprentissage de la lecture.

Essayer en ligne

La demo utilise l’API Lectura — aucun telechargement necessaire.

Cliquez sur le bouton pour synthetiser.

Exemple de code

from lectura_tts_diphone import synthetiser

# Synthese simple (necessite lectura-g2p)
audio = synthetiser("Le soleil brille sur la ville.")

# Avec retimbre OpenVoice (necessite pip install 'lectura-tts-diphone[vc]')
audio = synthetiser("Bonjour comment allez-vous.",
                    voix="siwis")

# Blend de presets
audio = synthetiser("Bonjour comment allez-vous.",
                    voix={"siwis": 0.5, "nadine": 0.3, "ezwa": 0.2})

# Variante vocale (formants decales)
audio = synthetiser("Bonjour comment allez-vous.",
                    voix="siwis",
                    voix_variante=0.3)    # +0.3 = legerement aigu

from lectura_tts_diphone import creer_engine

engine = creer_engine()

# Depuis des phonemes IPA avec controles
audio = engine.synthesize_groups(
    [
        {"phones": ["l", "ə", "s", "ɔ", "l", "ɛ", "j"], "boundary": "none"},
        {"phones": ["b", "ʁ", "i", "j"], "boundary": "none"},
        {"phones": ["s", "y", "ʁ", "l", "a", "v", "i", "l"], "boundary": "period"},
    ],
    mode="FLUIDE",
    duration_scale=1.2,
    macro_expressivity=2.0,
    micro_expressivity=5.0,
    spectral_contrast=1.5,
)

Architecture

Texte --> [G2P] --> Phonemes IPA --> Diphone chain
                                          |
                                  WORLD params (F0 + SP + AP)
                                          |
                                  Stretch + Concat (overlap)
                                          |
                                  Prosodie (F0 contour + durees)
                                          |
                                  GV compensation (contraste spectral)
                                          |
                                  pw.synthesize --> Audio 44100 Hz
                                          |
                                  [Retimbre OpenVoice]  (optionnel, si voix!=None)
                                          |
                                  Audio final 44100 Hz

Les diphones sont des parametres WORLD (F0 + spectral envelope + aperiodicity) extraits du corpus SIWIS et moyennes par type de transition phonetique. La prosodie est reglee par des contours F0 adaptes au francais (chute declarative, montee interrogative, pauses aux ponctuations).

Le retimbre (optionnel) passe l’audio synthetise dans OpenVoice pour remplacer le timbre “moyen” du diphone par un timbre coherent issu d’une voix de reference.

Installation

pip install lectura-tts-diphone               # import seul
pip install "lectura-tts-diphone[local]"      # inference locale (pyworld + numpy + scipy)
pip install "lectura-tts-diphone[vc]"         # avec retimbre OpenVoice (lectura-vc-zeroshot)
pip install "lectura-tts-diphone[all]"        # local + G2P + retimbre

Controles prosodiques

Retimbre (OpenVoice)

Le retimbre est un post-traitement optionnel qui remplace le timbre “moyen” du diphone par une voix coherente via OpenVoice zero-shot. Active par le parametre voix.

# Prerequis
pip install "lectura-tts-diphone[vc]"

Parametre voix

Le parametre voix est polymorphe et accepte plusieurs types :

Presets disponibles : siwis, ezwa, nadine, bernard, gilles, zeckou.

Parametre voix_variante

Curseur de -1 a +1 qui decale les formants sans changer le pitch fondamental :

Exemples

from lectura_tts_diphone import synthetiser

# Voix neutre (preset siwis)
audio = synthetiser("Bonjour.", voix="siwis")

# Blend 50/50 siwis + nadine
audio = synthetiser("Bonjour.", voix={"siwis": 0.5, "nadine": 0.5})

# Variante masculine (meme preset, formants baisses)
audio = synthetiser("Bonjour.", voix="bernard", voix_variante=-0.5)

# Variante enfant (formants montes)
audio = synthetiser("Bonjour.", voix="siwis", voix_variante=0.8)

# Combinaison : blend + variante + pitch bas
audio = synthetiser("Bonjour.",
                    voix={"siwis": 0.5, "nadine": 0.5},
                    voix_variante=-0.3,
                    base_f0=120.0)

Caracteristiques techniques

• Vocoder WORLD : analyse/synthese haute qualite a 44100 Hz
• 1290 diphones moyennes depuis le corpus SIWIS (~9800 phrases)
• Prosodie francaise : declination, chute declarative non-lineaire, montee interrogative, allongement pre-frontiere
• GV compensation : restaure le contraste spectral perdu par le moyennage
• 3 modes : FLUIDE, MOT_A_MOT, SYLLABES
• Retimbre OpenVoice (optionnel) : presets, blend pondere, variantes formantiques
• Python 3.10+ avec type hints complets (PEP-561)
• Licence : AGPL-3.0 (code) — les modeles sont sous licence commerciale