AI文本转语音：Toucan TTS 支持 7000 多种语言的语音合成工具箱，突破性 OCR 技术：支持多种语言识别，媲美顶级云服务

AI文本转语音：Toucan TTS 支持 7000 多种语言的语音合成工具箱，突破性 OCR 技术：支持多种语言识别，媲美顶级云服务。

在这里插入图片描述

AI文本转语音：Toucan TTS 支持 7000 多种语言的语音合成工具箱

Toucan TTS是由德国斯图加特大学自然语言处理研究所（MS）精心打造的文本转语音（TTS）工具箱，它支持超过7000种语言，包括多样的方言和语言变体。这款工具箱建立在Python和PyTorch框架之上，不仅易于操作，而且功能全面，能够实现多声源语音合成、语音风格模仿以及人机交互的语音编辑。Toucan TTS适用于教育、朗读、多语言软件开发等多种应用场景。作为一个开源项目，它遵循Apache 2.0许可证，鼓励用户和开发者自由地使用和修改源代码，以满足个性化的应用需求。

功能特点
多语言语音合成
Toucan TTS 能够处理和生成超过 7000 种不同语言的语音，包括各种方言和语言变体，使其成为全球语言支持最广泛的 TTS 项目之一。

多说话人支持
该工具箱支持多说话人语音合成，允许用户选择或创建具有不同语音特征的说话人模型，实现个性化的语音输出。

人机交互编辑
Toucan TTS 提供了人机交互编辑功能，用户可以对合成的语音进行细致调整，以适应不同的应用场景，如文学朗诵或教育材料。

语音风格克隆
用户可以利用 Toucan TTS 克隆特定说话人的语音风格，包括节奏、重音和语调，使合成语音更加贴近原说话人的声音特征。

语音参数调整
Toucan TTS 允许用户调整语音的持续时间、音调变化和能量变化等参数，以控制语音的流畅度、情感表达和声音特征。

发音清晰度和性别特征调整
用户可以根据需要调整语音的清晰度和性别特征，使合成语音更加自然，并符合特定角色或场景的需求。

交互式演示
Toucan TTS 提供了在线交互式演示，用户可以通过网页界面实时体验和测试语音合成效果，帮助用户快速理解和使用工具箱的功能。

应用场景
文学朗诵
合成诗歌、文学作品、网页内容的语音，供朗诵欣赏或作为有声读物。
多语言应用开发
为需要多语言支持的应用程序提供语音合成服务，如国际化软件和游戏。
辅助技术
为视障人士或阅读困难者提供文本到语音的服务，帮助他们更好地获取信息。
客户服务
在客户服务系统中使用，提供多语言的自动语音回复或交互式语音响应系统。
新闻与媒体
自动将新闻文章转换为语音，为忙碌的听众提供便捷的新闻获取方式。
电影和视频制作
为电影、动画或视频内容生成配音，尤其是当原始音频不可用或需要特定语言版本时。
有声书制作
将电子书或文档转换为有声书，提供给偏好听书的用户。
使用与体验
非开发人员可以前往Hugging Face体验Toucan TTS的在线文本转语音和语音克隆Demo

https://huggingface.co/spaces/Flux9665/MassivelyMultilingualTTS

开发人员可以访问其GitHub项目库，克隆其代码到本地进行部署和运行。

https://github.com/DigitalPhonetics/IMS-Toucan

突破性 OCR 技术：支持多种语言识别，媲美顶级云服务

Surya 是一个文档 OCR 工具包，其功能如下：

支持 90 多种语言的 OCR，与云服务相比更具优势
任何语言的行级文本检测
布局分析（表格、图像、标题等检测）
阅读顺序检测
https://github.com/VikParuchuri/surya

使用场景
文字识别（OCR）
文本检测（Detection）
布局分析
阅读顺序检测

快速使用
安装
您需要 Python 3.9+ 和 PyTorch。如果您使用的不是 Mac 或 GPU 机器，则可能需要先安装 CPU 版本的 torch。请参阅此处了解更多详细信息。

安装方式：

pip install surya-ocr

首次运行 Surya 时，模型权重将自动下载。请注意，该工具目前不兼容 transformers 4.37+ 版本，因此需要使用 4.36.2 版本（已随 Surya 一同安装）。

成功安装 surya-ocr 之后，你可以执行以下步骤，配置 surya 运行环境：

检查 surya/settings.py 中的设置。你可以用环境变量覆盖任何设置。
你的 torch 设备会被自动检测到，但你可以覆盖它。例如，TORCH_DEVICE=cuda。在文本检测方面，Apple 平台的 mps 设备有一个错误，可能会导致其无法正常工作。
文字识别（OCR）
文字识别模型在 4x A6000 上进行了为期 2 周的训练。训练时使用了改进的 donut 模型（GQA、MoE 层、UTF-16 解码、层配置更改）。

from PIL import Image
from surya.ocr import run_ocr
from surya.model.detection import segformer
from surya.model.recognition.model import load_model
from surya.model.recognition.processor import load_processorimage = Image.open(IMAGE_PATH)
langs = ["en"] # Replace with your languages
det_processor, det_model = segformer.load_processor(), segformer.load_model()
rec_model, rec_processor = load_model(), load_processor()predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor)

文本行检测（Text Line Detection）
文本检测模型在 4x A6000 上进行了为期 3 天的训练。它使用一组不同的图像作为训练数据。它使用改进的 segformer 架构从头开始训练，从而降低了对推理 RAM 的要求。

from PIL import Image
from surya.detection import batch_text_detection
from surya.model.detection.segformer import load_model, load_processorimage = Image.open(IMAGE_PATH)
model, processor = load_model(), load_processor()# predictions is a list of dicts, one per image
predictions = batch_text_detection([image], model, processor)

布局分析（Layout Analysis）

from PIL import Image
from surya.detection import batch_text_detection
from surya.layout import batch_layout_detection
from surya.model.detection.segformer import load_model, load_processor
from surya.settings import settingsimage = Image.open(IMAGE_PATH)
model = load_model(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT)
processor = load_processor(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT)
det_model = load_model()
det_processor = load_processor()# layout_predictions is a list of dicts, one per image
line_predictions = batch_text_detection([image], det_model, det_processor)
layout_predictions = batch_layout_detection([image], model, processor, line_predictions)

阅读顺序检测

from PIL import Image
from surya.ordering import batch_ordering
from surya.model.ordering.processor import load_processor
from surya.model.ordering.model import load_modelimage = Image.open(IMAGE_PATH)
# bboxes should be a list of lists with layout bboxes for the image in [x1,y1,x2,y2] format
# You can get this from the layout model, see above for usage
bboxes = [bbox1, bbox2, ...]model = load_model()
processor = load_processor()# order_predictions will be a list of dicts, one per image
order_predictions = batch_ordering([image], [bboxes], model, processor)# Benchmarks