Sintesis suara, atau text-to-speech (TTS), adalah teknologi yang mengubah teks tertulis menjadi suara. Teknologi ini banyak digunakan untuk membantu penyandang disabilitas, pembelajaran bahasa, navigasi GPS, dan masih banyak lagi. Dengan hadirnya open source, banyak alat TTS bermunculan. Artikel ini mengulas ekosistem sintesis suara open source.
Perlu dicatat, tidak semua alat sintesis suara bersifat open source. Contohnya, Google Text-to-Speech (TTS) menawarkan API kuat untuk pengembang, tapi bukan open source. Amazon Polly juga dikenal dengan suara yang alami, namun bukan open source.
Sebaliknya, Coqui AI adalah toolkit TTS open source yang berkualitas tinggi dan tersedia di GitHub. Proyek ini berakar dari Mozilla TTS dan menawarkan antarmuka command line yang andal untuk sintesis suara. Coqui AI menggunakan Tacotron2 untuk menghasilkan suara dan berfokus pada penciptaan suara baru dengan pendekatan deep learning.
Microsoft Speech Platform, termasuk fitur text-to-speech, juga bukan open source. Namun, Speech API (SAPI5) tersedia bagi pengembang di platform Windows.
Di sisi lain, di ranah open source juga ada banyak alat pengenal suara. Contohnya, CMU Sphinx, yakni sistem pengenal suara yang dikembangkan di Carnegie Mellon University.
Berikut beberapa perangkat lunak open source berkualitas untuk sintesis suara:
- eSpeak: Sintesis suara open source yang ringan untuk bahasa Inggris dan lainnya. Berjalan di Windows, Linux, dan cocok untuk aplikasi robot kecil.
- Mycroft: Asisten suara open source yang memakai machine learning untuk TTS dan pengenalan suara.
- MaryTTS: Platform TTS open source yang fleksibel, multibahasa, dan berbasis Java.
- Mozilla TTS: Engine TTS berbasis deep learning, bagian dari proyek Common Voice, yang bertujuan membangun dataset untuk pelatihan aplikasi suara.
- Festival Speech Synthesis System: Dikembangkan oleh Centre for Speech Technology Research UK, menawarkan framework umum untuk membangun sistem sintesis suara dan berbagai jenis suara.
- Flite (Festival-lite): Sintesis suara ringan turunan Festival, cocok untuk sistem embedded dan server suara berskala besar.
- HTS: Sistem sintesis suara berbasis HMM (HTS) untuk pelatihan dan sintesis suara dari teks, dikenal dengan kualitas sintesis yang tinggi.
- Docker: Meski Docker bukan alat TTS, banyak TTS seperti Coqui dapat dijalankan lewat Docker, sehingga portabel lintas platform.
Setiap alat punya kelebihan dan kekurangan. Sintesis suara open source menawarkan platform gratis, bisa dikustomisasi, dan didukung komunitas. Biasanya dilengkapi model siap pakai, sehingga pengembang bisa langsung memanfaatkan machine learning atau deep learning. Namun, dibutuhkan pengetahuan teknis untuk memulai. Beberapa alat juga mungkin kalah dalam hal kualitas, konsistensi, atau dukungan bahasa dibanding solusi komersial.
Seiring berkembangnya open source, sintesis suara dan sistem TTS makin maju. Alat-alat ini punya potensi besar untuk aplikasi real-time serta pengembangan AI, machine learning, dan deep learning di bidang pengenalan dan sintesis suara.
