Audio podcast generovaný AI

Miroslav Suchý

@mirek@rodina-sucha.cz

Cíl: 5 minutový podcast
Cíl: 5 minutový podcast každý den
Cíl: 5 minutový podcast každý den za méně než minutu.

$ dnf install festival

$ echo Zdravim ucastniky OpenAltu | festival --tts

$ dnf install espeak-ng

$ espeak-ng -v cs+f1 'Zdravím účastníky OpenAltu'

ElevenLabs.io

``` from elevenlabs.client import ElevenLabs from elevenlabs.play import play elevenlabs = ElevenLabs() audio = elevenlabs.text_to_speech.convert( text="Zdravím účastníky OpenAltu", voice_id="JBFqnCBsd6RMkjVDRZzb", model_id="eleven_v4", output_format="mp3_44100_128", ) play(audio) ```
$0.08 / 1k characters (cca minuta) (některé hlasy mají příplatek)

Plusy:

  • rychlost - 5 minut za 30 sekund!
  • divná jména nejsou problém (demo)
  • Hodně hlasů

Mínusy:

  • Cena
  • Hodně hlasů
  • Dříve číslovky a zkratky - ale záleží na hlasui (demo)
  • zkratky: DPMB, např.
  • divná jména

Mezi mrtvými jsou dva čtyřiačtyřicetiletí hasiči Denys Konovalenko a Oleksij Suščevskyj a třiapadesátiletý vojenský medik Oleksandr Zarjaščuk ze Žytomyru.

  • výslovnost jmén

Zelenskyj si ve středu telefonoval devadesát minut s americkými vyjednavači Stevem Witkoffem a Jaredem Kushnerem.

  • číslovky (dnes už ne)

Celkem vyslalo v noci Rusko 465 dronů a 30 raket.

[Registrace do podcastových služeb](https://honzajavorek.cz/blog/tydenni-poznamky-80-spousteni-podcastu-a-psani-o-cv/) (by H. Javorek)

SSML tagy (Speech Synthesis Markup Language)

XML značky obalující text, které říkají modelu, jak ho vyslovit

<speak>
  Hmm, give me a few seconds. <break time="2.0s"> Okay.
</speak>
Název značky
co udělat: vložit pauzu Samouzavírací
nebo uzavřete každou otevřenou značku
STANDARD, ALE NE JEDNOTNÝ
Standard W3C, který každý poskytovatel implementuje jinak
Skript fungující v jednom SSML enginu nemusí fungovat stejně v jiném
  <speak>
    Please welcome
    <phoneme alphabet="ipa" ph="ʃɪˈvɔːn">Siobhan</phoneme>
    from
    <phoneme alphabet="cmu-arpabet" ph="M AE1 D IH0 S AH0 N">Madison</phoneme>.
  </speak>
Vlastní model? [TTS Arena](https://huggingface.co/spaces/Pendrokar/TTS-Spaces-Arena)
[Kokoro](https://github.com/hexgrad/kokoro)
[Kokoro](https://github.com/hexgrad/kokoro) jenže nemá čestinu
[Kokoro](https://github.com/hexgrad/kokoro) Jenže nemá čestinu.
Jazyky jsou řešené projektem [Misaki](https://github.com/hexgrad/misaki) Konveze textu na fonémy (např. [Opənˈɑlt])
Podpora češtiny [PR#91](https://github.com/hexgrad/misaki/pull/91)
Shrnutí: * Generovat podcast jde. * ElevenLabs je jednoduché, ale drahé * Kokoro potřebuje dotáhnout podporu češtiny. [miroslav.suchy.cz/presentations/OpenAlt-2026-podcast](https://miroslav.suchy.cz/presentations/OpenAlt-2026-podcast)