reading for listeners
v0.0.4post2 Audio Distortion Hotfix
我在阅读PDF和听它们的情况下遇到了问题，这对我有很大的帮助！因此，我正在研究一个可以给出PDF（或TXT文件）并吐出MP3文件的用户友好应用程序。将来，这将是一台有趣的服务器，可以完成艰苦的工作，但是就目前而言，这只是一个Python/Bash项目。这是一个小型的个人项目，因此本身不会定期更新，但是当我有时间时，我会推开我所拥有的东西。
PDF的最大问题是它们要么在文档中没有文本（本质上是图像），要么现有文本（通常是OCR的结果）的质量较差。 OCR在我得到的PDF上通常很糟糕，因此我使用Bert（一种蒙版语言模型）来改善拼写检查结果。将来，这将被Microsoft的Trocr取代。
如果OCR是唯一的问题，我将仅使用ocrmypdf输出来提及，我们将完成。不幸的是，Espeak听起来很糟糕。没有变化，很难长期注意它。这就是Coqui.ai的TTS进行救援的地方，使长达数小时的阅读可忍受。
解决此问题的其他解决方案是封闭的来源，花费了很多钱。这是免费的。
最终，该项目将具有整洁的Web UI，最终用户几乎需要输入。毕竟，这是可访问性软件 - 如果难以使用，这将很奇怪。不幸的是，目前我只有一个仅在Linux上测试的CLI。不是最好的，但我必须从某个地方开始。
这样做的“最简单”方法是使用Ubuntu安装WSL并遵循Ubuntu/Debian指令。
如果您喜欢并知道如何在Windows上进行Python，请告诉我它的发展方式以及您如何做到！
注意：不幸的是，很难为WSL设置GPU的东西，即使那时才真正适用于CUDA（NVIDIA）卡，到目前为止，我无法测试它（并不是我现在可以测试任何GPU的东西，但这超出了重点）。
要说，我不知道如何在Mac上获取所有依赖关系（请参阅Ubuntu/Debian）。粗略的眼光说， brew或port应该能够获得大多数，但我不知道它们的可用性。如果您有Mac并弄清楚了这一点，请让我知道您是如何做到的！
sudo apt install -y python3 python3-venv espeak ffmpeg tesseract-ocr-all python3-dev libenchant-dev libpoppler-cpp-dev pkg-config libavcodec libavtools ghostscript poppler-utils
制作并激活虚拟环境，获取Pytorch，然后运行
pip install reading4listeners
而且您都准备运行r4l （有关使用信息信息，请参见下文）
在Debian，Run
sudo apt install -y python3 python3-venv espeak ffmpeg tesseract-ocr-all python3-dev libenchant-dev libpoppler-cpp-dev pkg-config libavcodec libavtools ghostscript poppler-utils
git clone https://github.com/CypherousSkies/pdf-to-speech
cd pdf-to-speech
python3 -m venv venv
souce venv/bin/activate
pip install -U pip setuptools wheel cython
获取Pytorch
python setup.py develop
需要〜2-3GB的磁盘空间安装
r4l [--in_path in/] [--out_path out/] [--lang en] in/和输出mp3文件中的所有兼容文件上运行扫描和校正套件out/以使用语言en （Square Brackets表示具有默认值值的可选参数）。
运行r4l --list_langs列出支持的语言
~~此程序使用大量内存，因此我建议将您的交换尺寸扩大到〜10GB（用于Debian使用fixswap.sh ）~~（现在应该修复，但是如果它随机耗尽了内存/崩溃，请增加交换尺寸）
在我当前的设置（4个Intel I7第8代内核，无GPU，Debian 10，5GB RAM+7GB交换）中，英语设置将读取约440个单词/分钟（n = 21，r^2 = 0.97），为175个单词/分钟音频文件。因此，R4L需要〜11.4分钟才能阅读5000个单词文件，这将需要约28.5分钟才能收听IRL。
不幸的是，对于仅CPU的系统，我无法加快它的速度。主要的粘性点是文件访问速度很慢，但是随着RAM意识的提高，主要速度是Bert和TTS，它们的设计都旨在在G/TPU机器上快速运行。
在高水平上，这是这样的工作方式：
input.pdf-> ocrmypdf（ghostscript-> unpaper-> tesseract -ocr） - > preprocessing（regex） - > ocr校正（bert） - > postprocessing（regex） - > to to to speech（coqui.ai tts） -
几乎可以肯定的是，我需要微调Trocr/Bert和TTS，以便更好地处理我在获得ML钻机时感兴趣的文本，但是在此之前，我将继续使用现成的模型。希望这一切都可以由一个漂亮的，简单的Web UI控制，并在服务器上运行以供公众使用。另外，我想将其打包成一个可执行的可执行文件，该可执行文件需要最少的技术知识来使用和维护，但这是一个遥远的目标。
