Text to speech (TTS)

Da ich gerne Artikel vorgelesen als Podcast konsumieren würde, interessiere ich mich latent für Text-to-speech-Tools. Diese sollten auf einem lokalen Rechner (Bspw. MacBook Air M1 mit 16 GB Arbeitsspeicher) lauffähig sein, sodass ich einerseits nicht von externen Dienstleistern abhängig bin, die früher oder später ihren kostenlosen Dienst einstellen und andererseits auch sensitivere Texte verarbeiten kann.

Zu letzt habe ich Sopro V2 von Halo / Research ausprobiert. Es stellt selbst keine Stimmen bereit, sondern klont Stimmen und ist besonders für Englisch, Portugisisch, Französisch und Deutsch optimiert und explizit für den Einsatz auf Endanwendergeräten. Zwar funktionierte die Anleitung nicht direkt, aber es war leicht dieses Problem zu umgehen und der lokale Webserver gestartet. Mit dem CLI-Tool wurden die Texte leider immer nach wenigen Absätzen abgeschnitten. Den programatischen Einsatz habe ich auch noch nicht getestet. Insgesamt ist es jedoch auch allein mit der Weboberfläche schon recht brauchbar.

Suno's Bark, welches ich zuvor auch mal getestet habe, klang zwar zum Teil realistischer und kann Atmosphäre, allerdings macht es dann auch unerwartetet Dinge, wie laute Hintergrundmusik zum Text abspielen, weshalb ich es wieder verworfen hatte.

Wenn man nur Apples say gewohnt war, dann sind hierzwischen Welten. Es ist im Englischen schon fast auf dem Niveau von Google's Notebook LM als es herauskam.

Speech to text (STT)

Dieser Anwendungsfall kommt vom Wunsch Meetings zu verschriftlichen. Dafür bin ich in einer Arbeitsgruppe, in welcher die Modelle vom Arbeitgeber genutzt wurden oder auch Whisper. Im spontanen Feldversuch mit Ton aus einem mehrere Stunden langen, hybriden Zoom-Meeting war die Auswahl dann aber doch für mich nicht zufriedenstellend.

Apple's Siri ist inzwischen auch ok in ersten tests, bloß sind die Privacy Policies nicht so klar, dass man immer noch befürchten muss, dass es doch zu Apple geschickt wird, statt lokal auf dem Gerät zu bleiben.