reading for listeners
v0.0.4post2 Audio Distortion Hotfix
我在閱讀PDF和聽它們的情況下遇到了問題，這對我有很大的幫助！因此，我正在研究一個可以給出PDF（或TXT文件）並吐出MP3文件的用戶友好應用程序。將來，這將是一台有趣的服務器，可以完成艱苦的工作，但是就目前而言，這只是一個Python/Bash項目。這是一個小型的個人項目，因此本身不會定期更新，但是當我有時間時，我會推開我所擁有的東西。
PDF的最大問題是它們要么在文檔中沒有文本（本質上是圖像），要么現有文本（通常是OCR的結果）的質量較差。 OCR在我得到的PDF上通常很糟糕，因此我使用Bert（一種蒙版語言模型）來改善拼寫檢查結果。將來，這將被Microsoft的Trocr取代。
如果OCR是唯一的問題，我將僅使用ocrmypdf輸出來提及，我們將完成。不幸的是，Espeak聽起來很糟糕。沒有變化，很難長期注意它。這就是Coqui.ai的TTS進行救援的地方，使長達數小時的閱讀可忍受。
解決此問題的其他解決方案是封閉的來源，花費了很多錢。這是免費的。
最終，該項目將具有整潔的Web UI，最終用戶幾乎需要輸入。畢竟，這是可訪問性軟件 - 如果難以使用，這將很奇怪。不幸的是，目前我只有一個僅在Linux上測試的CLI。不是最好的，但我必須從某個地方開始。
這樣做的“最簡單”方法是使用Ubuntu安裝WSL並遵循Ubuntu/Debian指令。
如果您喜歡並知道如何在Windows上進行Python，請告訴我它的發展方式以及您如何做到！
注意：不幸的是，很難為WSL設置GPU的東西，即使那時才真正適用於CUDA（NVIDIA）卡，到目前為止，我無法測試它（並不是我現在可以測試任何GPU的東西，但這超出了重點）。
要說，我不知道如何在Mac上獲取所有依賴關係（請參閱Ubuntu/Debian）。粗略的眼光說， brew或port應該能夠獲得大多數，但我不知道它們的可用性。如果您有Mac並弄清楚了這一點，請讓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
製作並激活虛擬環境，獲取Pytorch，然後運行
pip install reading4listeners
而且您都準備運行r4l （有關使用信息信息，請參見下文）
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
獲取Pytorch
python setup.py develop
需要〜2-3GB的磁盤空間安裝
r4l [--in_path in/] [--out_path out/] [--lang en] in/和輸出mp3文件中的所有兼容文件上運行掃描和校正套件out/以使用語言en （Square Brackets表示具有默認值值的可選參數）。
運行r4l --list_langs列出支持的語言
~~此程序使用大量內存，因此我建議將您的交換尺寸擴大到〜10GB（用於Debian使用fixswap.sh ）~~（現在應該修復，但是如果它隨機耗盡了內存/崩潰，請增加交換尺寸）
在我當前的設置（4個Intel I7第8代內核，無GPU，Debian 10，5GB RAM+7GB交換）中，英語設置將讀取約440個單詞/分鐘（n = 21，r^2 = 0.97），為175個單詞/分鐘音頻文件。因此，R4L需要〜11.4分鐘才能閱讀5000個單詞文件，這將需要約28.5分鐘才能收聽IRL。
不幸的是，對於僅CPU的系統，我無法加快它的速度。主要的粘性點是文件訪問速度很慢，但是隨著RAM意識的提高，主要速度是Bert和TTS，它們的設計都旨在在G/TPU機器上快速運行。
在高水平上，這是這樣的工作方式：
input.pdf-> ocrmypdf（ghostscript-> unpaper-> tesseract -ocr） - > preprocessing（regex） - > ocr校正（bert） - > postprocessing（regex） - > to to to speech（coqui.ai tts） -
幾乎可以肯定的是，我需要微調Trocr/Bert和TTS，以便更好地處理我在獲得ML鑽機時感興趣的文本，但是在此之前，我將繼續使用現成的模型。希望這一切都可以由一個漂亮的，簡單的Web UI控制，並在服務器上運行以供公眾使用。另外，我想將其打包成一個可執行的可執行文件，該可執行文件需要最少的技術知識來使用和維護，但這是一個遙遠的目標。
