-
Notifications
You must be signed in to change notification settings - Fork 0
/
fakeyou_tts.py
591 lines (544 loc) · 22.7 KB
/
fakeyou_tts.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
__author__ = 'FRIKIdelTO.com'
__version__ = '24.04.08'
__license__ = "GPLv3"
"""
Desarrollado a partir del siguiente cuaderno de Google Colab:
https://colab.research.google.com/drive/1lRGlbiK2wUCm07BKIhjV3dKej7jV0s1y
Todos los créditos a sus respectivos autores y colaboradores ¡¡¡Sois muy GRANDES!!!
Por defecto, se usará la GPU para sintetizar la voz si está correctamente instalada
y ésta es soportada, de lo contrario se realizará por CPU aunque es mucho más lento.
Este script dista mucho de ser perfecto así que animo a todos a realizar las
modificaciones que consideren oportunas acorde a la licencia.
Quiero agradecer también a toda la comunidad de FakeYou sin la cual esto no sería posible.
"""
# CONSTANTES
MAX_DURATION = 30
DIR_REPOSITORIOS = 'repositorios' # donde se clonarán los repositorios
DIR_HIFIGAN = 'hifi-gan' # carpeta del repositorio HiFi-GAN
DIR_TACOTRON2 = 'tacotron2' # carpeta del repositorio Tacotron2
DIR_MODELOS = 'modelos' # donde debemos guardar nuestros modelos entrenados
azul = "\33[1;36m" # texto azul claro
azul2 = "\33[0;36m" # texto azul oscuro
rojo = "\33[1;31m" # texto rojo claro
amarillo = "\33[1;33m" # texto amarillo claro
verde = "\33[1;32m" # texto verde claro
gris = "\33[0;37m" # texto gris
blanco = "\33[1;37m" # texto blanco
negro_azul = "\33[0;30;106m" # texto negro, fondo azul claro
# módulos de Python
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' # solo muestra errores de TensorFlow
os.makedirs(DIR_MODELOS, exist_ok=True)
import sys
# si añadimos las rutas y estas no existen, tras clonar no las encontrará
if os.path.isdir(f'{DIR_REPOSITORIOS}/{DIR_HIFIGAN}'):
sys.path.append(f'{DIR_REPOSITORIOS}/{DIR_HIFIGAN}')
if os.path.isdir(f'{DIR_REPOSITORIOS}/{DIR_TACOTRON2}'):
sys.path.append(f'{DIR_REPOSITORIOS}/{DIR_TACOTRON2}')
import warnings
warnings.filterwarnings("ignore") # oculta los warnings en general
import re
import time
import json
import subprocess
from tempfile import gettempdir
from pprint import pprint
from io import BytesIO
from zipfile import ZipFile
import shutil
import stat
import threading
import wave
import traceback
def cursor_arriba(n=1):
"""
Mueve el cursor de la terminal `n` líneas arriba.
"""
# return
print(f'\33[{n}A', end='')
def limpiar_pantalla():
"""
Limpia la pantalla sin perder la información del buffer de la terminal.
"""
# obtenemos las dimensiones de la terminal (columnas x filas)
columnas, filas = os.get_terminal_size()
# imprimimos tantas líneas en blanco como filas haya
for _ in range(filas):
print('\33[K')
# posicionamos el cursor en la esquina superior izquierda
print('\33[0;0H', end='')
def instalar_dependencias():
"""
Instala las dependencias necesarias.
"""
def instalar_modulo(modulo):
comando = f'pip install -U {modulo}'
if modulo == "torch":
# añadimos la fuente para soporte CUDA
comando+= ' --extra-index-url https://download.pytorch.org/whl/cu118'
res = subprocess.run(comando, shell=True)
if res.returncode != 0:
raise Exception(f'ERROR INSTALANDO {modulo}')
print()
def clonar_repositorio(carpeta, url):
def on_rm_error(func, path, exc_info):
"""
Función auxiliar para manejar errores al eliminar archivos/directorios.
"""
os.chmod(path, stat.S_IWRITE)
os.unlink(path)
print(f'{negro_azul}CLONANDO {carpeta}\33[K{gris}')
# si git no está en el path
if not shutil.which("git"):
ERROR = 'ERROR: No se encuentra GIT\n'
ERROR+= 'Puedes instalarlo desde https://git-scm.com/download\n'
ERROR+= 'Asegúrate de añadirlo al PATH'
print(f'{rojo}{ERROR}{gris}')
raise Exception(ERROR)
ruta_repo = f'{DIR_REPOSITORIOS}/{carpeta}'
if os.path.isdir(ruta_repo):
print(f'{amarillo}Eliminando clonación anterior{gris}')
shutil.rmtree(ruta_repo, onerror=on_rm_error)
res = subprocess.run(f'git clone --recursive "{url}" "{ruta_repo}"', shell=True)
if res.returncode != 0:
ERROR = f'ERROR CLONANDO {carpeta}'
print(f'{rojo}{ERROR}{gris}')
raise Exception(ERROR)
print()
def descargar_archivo(url, ruta_archivo):
print(f'{negro_azul}DESCARGANDO {os.path.basename(ruta_archivo)}\33[K{gris}')
if "drive." in url and "google." in url:
import gdown
gdown.download(url, ruta_archivo)
else:
import requests
req = requests.get(url)
with open(ruta_archivo, "wb") as f:
f.write(req.content)
print(f'Guardado en {ruta_archivo}')
print()
modulos = (
'torch',
'torchvision',
'torchaudio',
'torchtext',
'torchdata',
'num2words',
'resampy',
'soundfile',
'tensorflow',
'unidecode',
'inflect',
'librosa',
'matplotlib',
'gdown',
'pyaudio',
# 'requests', # ya lo instala gdown
)
# instalamos los módulos
for n, modulo in enumerate(modulos):
print(f'{negro_azul}[{n+1} de {len(modulos)}] INSTALANDO {modulo}\33[K{gris}')
instalar_modulo(modulo)
# clonamos los repositorios
clonar_repositorio(DIR_TACOTRON2, 'https://github.com/rmcpantoja/tacotron2.git')
sys.path.append(f'{DIR_REPOSITORIOS}/{DIR_TACOTRON2}')
clonar_repositorio(DIR_HIFIGAN, 'https://github.com/justinjohn0306/hifi-gan')
sys.path.append(f'{DIR_REPOSITORIOS}/{DIR_HIFIGAN}')
# descargamos HiFi-GAN Universal
descargar_archivo(
'https://github.com/justinjohn0306/tacotron2/releases/download/assets/g_02500000',
f'{DIR_REPOSITORIOS}/hifigan_universal'
)
# descargamos HiFi-GAN Super
descargar_archivo(
'https://github.com/justinjohn0306/tacotron2/releases/download/assets/Superres_Twilight_33000',
f'{DIR_REPOSITORIOS}/hifigan_super'
)
# descargamos el diccionario de pronunciación de Google Drive
descargar_archivo(
'https://drive.google.com/uc?id=1OZJ0KRjEIsIMdd21WeZaAn7CPO__8qw-',
f'{DIR_REPOSITORIOS}/dic_pronunciacion.txt'
)
# módulos de terceros
for _ in range(2): # 2 intentos por si en el primer intento falta alguna dependencia
print(f'{azul}Comprobando dependencias... {gris}')
try:
# módulos de terceros
import pyaudio
import soundfile
import numpy as np
import torch
import num2words
import resampy
import scipy.signal
# módulos clonados de Tacotron2
from hparams import create_hparams
from model import Tacotron2
from text import text_to_sequence
# módulos clonados de hifi-gan
from env import AttrDict
from meldataset import mel_spectrogram, MAX_WAV_VALUE
from models import Generator
from denoiser import Denoiser
print(f'{verde}OK{gris}')
break
except ModuleNotFoundError:
# print(f'{rojo}{traceback.format_exc()}{gris}')
cursor_arriba()
print(f'{amarillo}Instalando dependencias necesarias...{gris}')
instalar_dependencias()
def cuadro(texto):
"""
Imprime un cuadro con un texto dentro.
"""
l = "─"
c = len(texto) + 2 # +2 espacios
print(f'{amarillo}┌{l*c}┐{gris}')
print(f'{amarillo}│ {blanco}{texto}{amarillo} │{gris}')
print(f'{amarillo}└{l*c}┘{gris}')
class Cronometro:
def __init__(self):
self.activo = False
self.hilo = None
def _hilo(self, texto):
inicio = time.time()
while self.activo:
tiempo = time.time() - inicio
m = int(tiempo // 60) # minutos
s = int(tiempo % 60) # segundos
time.sleep(1)
print(f'\r{azul2}{texto} {blanco}{m}:{s:02d}{gris}\33[K ', end='', flush=True)
def start(self, texto):
self.activo = True
self.hilo = threading.Thread(target=self._hilo, args=(texto,))
self.hilo.start()
def stop(self):
self.activo = False
self.hilo.join()
print()
class FakeyouTTS:
def __init__(self, modelo, idioma="es", device="auto"):
"""
Args:
modelo (str): ruta de nuestro modelo preentrenado
idioma (str): se usa para convertir los números en letras
device (str):
"auto": usará GPU (cuda) si está disponible, en caso contrario CPU
"gpu"|"cuda": fuerza el uso de GPU (cuda)
"cpu": fuerza el uso de CPU aunque la GPU sea compatible
"""
self.MODELO = modelo
self.DEVICE = device
if self.DEVICE == "gpu":
self.DEVICE = "cuda"
if self.DEVICE == "auto":
print(f'{azul}Comprobando si se puede usar la GPU{gris}')
self.DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
if self.DEVICE == "cuda":
print(f' {verde}GPU disponible{gris}')
else:
print(f' {amarillo}GPU no disponible{gris}')
print()
print(f'{azul}Device: {blanco}{self.DEVICE.upper()}{gris}')
Denoiser.device = self.DEVICE # forzamos a la clase a usar el dispositivo que querramos nosotros
self.TORCH_DEVICE = torch.device(self.DEVICE)
self.RUTA_MODELO = f'{DIR_MODELOS}/{self.MODELO}'
if not os.path.isfile(self.RUTA_MODELO):
ERROR = f'ERROR: No se encuentra el modelo "{self.MODELO}"\n'
ERROR+= f'Asegúrate de guardar tus modelos en la carpeta "{DIR_MODELOS}"'
print(f'{rojo}{ERROR}{gris}')
raise Exception(ERROR)
self.IDIOMA = idioma
self.dic_proc = {} # diccionario básico de pronunciación
for line in reversed((open(f'{DIR_REPOSITORIOS}/dic_pronunciacion.txt', "r").read()).splitlines()):
self.dic_proc[(line.split(" ",1))[0]] = (line.split(" ",1))[1].strip()
# descarga y configuración de HiFi-GAN
self.hifigan, self.h, self.denoiser = self.conf_hifigan('universal')
self.hifigan_sr, self.h2, self.denoiser_sr = self.conf_hifigan('super')
# configuración de Tacotron2
self.model, self.hparams = self.get_tacotron2()
self.pronounciation_dictionary = False
self.model.decoder.max_decoder_steps = MAX_DURATION * 100
self.model.decoder.gate_threshold = 0.5
self.superres_strength = 1.0
def arpa(self, text, punctuation=r"!?,.;", EOS_Token=True):
out = ''
for word_ in text.split(" "):
word=word_
end_chars = ''
while any(elem in word for elem in punctuation) and len(word) > 1:
if word[-1] in punctuation: end_chars = word[-1] + end_chars; word = word[:-1]
else: break
try:
word_arpa = self.dic_proc[word.upper()]
word = "{" + str(word_arpa) + "}"
except KeyError: pass
out = (out + " " + word + end_chars).strip()
if EOS_Token and out[-1] != ";": out += ";"
return out
def conf_hifigan(self, modelo):
"""
Configura HiFi-GAN.
"""
if modelo == "universal":
nombre = 'hifigan_universal'
conf = 'config_v1'
elif modelo == "super":
nombre = 'hifigan_super'
conf = 'config_32k'
# cargamos el JSON de HiFi-GAN
with open(os.path.join(DIR_REPOSITORIOS, DIR_HIFIGAN, f'{conf}.json')) as f:
json_config = json.loads(f.read())
# convertimos las claves del diccionario en atributos
try:
h = AttrDict(json_config)
except:
print(f'{rojo}{traceback.format_exc()}{gris}')
breakpoint()
if self.DEVICE == "cpu":
torch.manual_seed(h.seed)
else:
torch.cuda.manual_seed(h.seed)
hifigan = Generator(h).to(self.TORCH_DEVICE)
state_dict_g = torch.load(f'{DIR_REPOSITORIOS}/{nombre}', map_location=self.TORCH_DEVICE)
hifigan.load_state_dict(state_dict_g["generator"])
hifigan.eval()
hifigan.remove_weight_norm()
# eliminamos el mensaje que se genera informando de ello (soy muy tiquismiquis, ya lo sé ;-D)
cursor_arriba()
print('\33[K', end='', flush=True)
denoiser = Denoiser(hifigan, mode="normal")
return hifigan, h, denoiser
def has_MMI(self, state_dict):
return any(True for x in state_dict.keys() if "mi." in x)
def get_tacotron2(self):
"""
Carga y configura Tacotron2
"""
hparams = create_hparams()
hparams.ignore_layers=["embedding.weight"]
hparams.sampling_rate = 22050
hparams.max_decoder_steps = MAX_DURATION * 100
hparams.gate_threshold = 0.25 # El modelo debe estar un 25% seguro de que el clip ha terminado antes de finalizar la generación
if self.DEVICE == "cpu":
model = Tacotron2(hparams).cpu()
else:
model = Tacotron2(hparams).cuda()
state_dict = torch.load(self.RUTA_MODELO, map_location=self.TORCH_DEVICE)['state_dict']
if self.has_MMI(state_dict):
raise Exception("ERROR: Los modelos MMI no son compatibles con este programa")
model.load_state_dict(state_dict)
_ = model.eval()
return model, hparams
def numeros_a_palabras(self, texto):
"""
Convierte los números del texto en letra.
"""
texto = ' '.join([num2words.num2words(i, lang=self.IDIOMA) if i.isdigit() else i for i in texto.split()])
return texto
def corregir_palabras(self, texto):
cambiar = {
"facebook": "Feisbuc",
"online": "onlain",
}
for palabra in texto.split():
chars_strip = '?!¿¡.,:;'
p_strip = palabra.lower().strip(chars_strip)
if p_strip in cambiar:
texto = re.sub(palabra.strip(chars_strip), cambiar[p_strip], texto, flags=re.IGNORECASE)
return texto
def tts(self, texto, archivo_salida=None):
s = {
"texto": texto,
"texto_final": None,
"archivo_salida": archivo_salida,
"tiempo": None,
"res": None,
}
inicio = time.time()
if not s["archivo_salida"]:
s["archivo_salida"] = f'{int(time.time())}_{self.MODELO}.wav'
if not s["archivo_salida"].lower().endswith(".wav"):
s["archivo_salida"]+= ".wav"
s["texto_final"] = self.numeros_a_palabras(texto)
s["texto_final"] = self.corregir_palabras(s["texto_final"])
for i in [x for x in s["texto_final"].split("\n") if len(x)]:
if not self.pronounciation_dictionary:
if i[-1] != ";": i=i+";"
else:
i = self.arpa(i)
with torch.no_grad(): # save VRAM by not including gradients
sequence = np.array(text_to_sequence(i, ['basic_cleaners']))[None, :]
sequence = torch.autograd.Variable(torch.from_numpy(sequence)).to(self.TORCH_DEVICE).long()
mel_outputs, mel_outputs_postnet, _, alignments = self.model.inference(sequence)
y_g_hat = self.hifigan(mel_outputs_postnet.float())
audio = y_g_hat.squeeze()
audio = audio * MAX_WAV_VALUE
audio_denoised = self.denoiser(audio.view(1, -1), strength=35)[:, 0]
# Resample to 32k
audio_denoised = audio_denoised.cpu().numpy().reshape(-1)
normalize = (MAX_WAV_VALUE / np.max(np.abs(audio_denoised))) ** 0.9
audio_denoised = audio_denoised * normalize
wave_audio = resampy.resample(
audio_denoised,
self.h.sampling_rate,
self.h2.sampling_rate,
filter="sinc_window",
window=scipy.signal.windows.hann,
num_zeros=8,
)
wave_out = wave_audio.astype(np.int16)
# HiFi-GAN super-resolution
wave_audio = wave_audio / MAX_WAV_VALUE
wave_audio = torch.FloatTensor(wave_audio).to(self.TORCH_DEVICE)
new_mel = mel_spectrogram(
wave_audio.unsqueeze(0),
self.h2.n_fft,
self.h2.num_mels,
self.h2.sampling_rate,
self.h2.hop_size,
self.h2.win_size,
self.h2.fmin,
self.h2.fmax,
)
y_g_hat2 = self.hifigan_sr(new_mel)
audio2 = y_g_hat2.squeeze()
audio2 = audio2 * MAX_WAV_VALUE
audio2_denoised = self.denoiser(audio2.view(1, -1), strength=35)[:, 0]
# High-pass filter, mixing and denormalizing
audio2_denoised = audio2_denoised.cpu().numpy().reshape(-1)
b = scipy.signal.firwin(101, cutoff=10500, fs=self.h2.sampling_rate, pass_zero=False)
y = scipy.signal.lfilter(b, [1.0], audio2_denoised)
y *= self.superres_strength
y_out = y.astype(np.int16)
y_padded = np.zeros(wave_out.shape)
y_padded[: y_out.shape[0]] = y_out
sr_mix = wave_out + y_padded
sr_mix = sr_mix / normalize
# guardamos el audio en un archivo WAV
soundfile.write(s["archivo_salida"], sr_mix.astype(np.int16), self.h2.sampling_rate)
print()
# calculamos el tiempo transcurrido y devolvemos el diccionario de salida
cursor_arriba()
s["tiempo"] = time.time() - inicio
s["res"] = "OK"
return s
def _play_wav(self, archivo_wav):
"""
Reproduce un archivo WAV.
"""
with wave.open(archivo_wav, 'rb') as audio:
# instanciamos pyaudio
api = pyaudio.PyAudio()
# configuramos el stream
stream = api.open(
format = api.get_format_from_width(audio.getsampwidth()),
channels = audio.getnchannels(),
rate = audio.getframerate(),
output=True
)
# leemos y reproducimos el archivo
while True:
datos_audio = audio.readframes(1)
if not datos_audio:
break
stream.write(datos_audio)
# cerramos el stream y pyaudio
stream.stop_stream()
stream.close()
api.terminate()
def play(self, archivo_wav):
"""
Reproduce un archivo WAV en segundo plano.
"""
threading.Thread(target=self._play_wav, args=(archivo_wav,)).start()
# MAIN ##################################################################################################################
if __name__ == '__main__':
limpiar_pantalla()
cuadro(f'FakeYouTTS v{__version__} by {__author__}')
PYTHON = os.path.splitext(os.path.basename(sys.executable))[0]
modo_uso = f'\nModo de uso:\n'
modo_uso+= f' {PYTHON} {sys.argv[0]} [opciones]\n\n'
modo_uso+= f'Opciones:\n'
modo_uso+= f' --install : fuerza la instalación de las dependencias\n'
modo_uso+= f' --cpu : fuerza el uso de CPU aunque sea compatible con CUDA\n'
modo_uso+= f' --gpu : fuerza el uso de CUDA sin comprobar si está soportado\n'
modo_uso+= f' --cuda : igual que --gpu\n'
modo_uso+= f' --help : muestra esta ayuda\n'
# control de parámetros
if "--install" in sys.argv:
# fuerza la instalación de las dependencias
instalar_dependencias()
elif "--help" in sys.argv or "/?" in sys.argv:
print(modo_uso)
sys.exit(1)
if "--cpu" in sys.argv:
DEVICE = "cpu"
elif "--gpu" in sys.argv or "--cuda" in sys.argv:
DEVICE = "cuda"
else:
DEVICE = "auto"
modelos = [x for x in os.listdir(DIR_MODELOS) if os.path.isfile(f'{DIR_MODELOS}/{x}')]
if not modelos:
ERROR = 'ERROR: No se encontró ningún modelo\n'
ERROR+= f'Guarda en la carpeta "{DIR_MODELOS}" tus modelos preentrenados'
print(f'{rojo}{ERROR}{gris}')
sys.exit(1)
# si solo hay un modelo
n_modelos = len(modelos)
if n_modelos == 1:
modelo = modelos[0]
# si hay varios
else:
print(f'{azul}MODELOS DISPONIBLES:{gris}')
for i, m in enumerate(modelos):
print(f'{blanco}{i+1}. {azul2}{m}{gris}')
print()
opcion = 0
while True:
opcion = input(f'{azul}Selecciona un modelo (1-{n_modelos}): {gris}')
# si la opción no es un número
if not opcion.isdigit():
print(f'{rojo}ERROR: Debes indicar un índice de la lista{gris}')
print()
continue
else:
opcion = int(opcion)
# si la opción está fuera del rango
if opcion < 1 or opcion > n_modelos:
print(f'{rojo}ERROR: Indica una opción dentro del rango (1-{n_modelos}){gris}')
print()
continue
# si la opción es válida
modelo = modelos[opcion-1]
break
crono = Cronometro()
api = FakeyouTTS(modelo, device=DEVICE)
print(f'{azul}MODELO: {blanco}{modelo}{gris}')
print()
while True:
texto = input(f'{azul}Introduce un texto:{gris} ')
if not texto:
cursor_arriba()
continue
elif texto.lower() == "q":
print(f'{amarillo}Saliendo...{gris}')
sys.exit()
crono.start('Generando locución:')
res = api.tts(texto)
crono.stop()
if res["res"] == "OK":
print(f'{verde}Audio guardado: {blanco}{res["archivo_salida"]}{gris}')
api.play(res["archivo_salida"])
else:
print(f'{rojo}{res["res"]}{gris}')
print()
"""
LISTADO de CAMBIOS:
24.04.06
- Inicio del desarrollo
24.04.08
- Añadido un cronómetro mientras se sintetiza la voz
- Añadida reproducción el WAV en segundo plano
- Añadidos parámetros en línea de comandos
"""