La conversió de text a veu (TTS) i la síntesi de veu poden semblar tecnologies recents, però en realitat tenen una llarga trajectòria que es remunta a segles enrere.
Des dels primers intents d’imitar la parla humana amb dispositius mecànics fins als models d’intel·ligència artificial i d’aprenentatge profund actuals, l’evolució del TTS ha estat un viatge fascinant.
En aquest article, aprofundirem en la història del text a veu i de la síntesi de veu, i explorarem les possibilitats de futur.
Text a veu i síntesi de veu: dels primers avenços a l’ús actual
Segles XVIII i XIX
La història de la conversió de text a veu i de la síntesi de veu es remunta als segles XVIII i XIX. Durant aquest període, hi va haver diversos primers intents de síntesi de la parla, tots basats en dispositius mecànics. A la dècada del 1770, Wolfgang von Kempelen, inventor hongarès, va crear una màquina acústica i mecànica que imitava l’aparell vocal humà. Aquest dispositiu analògic feia servir manxes, llengüetes i tubs per produir sons vocàlics i consonàntics.
A finals del segle XVIII, el físic anglès Charles Wheatstone va inventar una versió més avançada de la màquina de Kempelen, que va anomenar «màquina parladora». Aquest dispositiu podia reproduir sons de diversos instruments musicals. Tot i que la màquina de Wheatstone no estava dissenyada específicament per a la síntesi de la parla, va reforçar la idea d’utilitzar un dispositiu mecànic per crear so.
Al segle XIX es van desenvolupar altres enginys, com la màquina de «parla artificial» de Faber. Aquests dispositius combinaven sistemes mecànics i pneumàtics per crear sons de la parla.
Principis del segle XX i la primera síntesi de parla totalment elèctrica
A començaments del segle XX, la tecnologia de síntesi de la parla va fer un pas endavant amb la invenció del primer sistema totalment elèctric: el vocoder d’Homer Dudley, desenvolupat als Bell Laboratories de Nova Jersey.
El vocoder de Dudley utilitzava una sèrie de ressonadors i filtres per generar veu sintètica. Durant la Fira Mundial de 1939-1940 a Flushing Meadows (Nova York), es va presentar el vocoder, anomenat Voder, que es controlava amb un teclat i pedals per generar la parla.
Anys 1950 a finals dels 70: l’auge dels sintetitzadors
El 1951, la feina de Dudley va inspirar el desenvolupament del pattern playback per part del Dr. Franklin S. Cooper als Haskins Laboratories. El sistema funcionava analitzant sons enregistrats, com ara paraules o frases, i descomponent-los en ones sonores o «patrons espectrogràfics». Aquests patrons es guardaven en cinta magnètica i es reproduïen per sintetitzar la veu original.
El 1976 es va presentar el primer sistema de text a veu amb èxit comercial, la Kurzweil Reading Machine. Aquest sistema feia servir síntesi concatenativa i combinava fonemes i paraules preenregistrades per produir veu sintètica. El dispositiu estava pensat especialment per ajudar persones amb discapacitat, però ràpidament es va popularitzar com a eina de lectura.
A partir de 1978, Texas Instruments va començar a desenvolupar un xip de síntesi de veu per a videojocs i aplicacions informàtiques. El xip combinava sons parlats enregistrats, anomenats difons, per generar parla sintètica semblant a la humana. Més endavant, aquesta tecnologia es va utilitzar a DECtalk, un sistema TTS que oferia veu sintètica d’alta qualitat per a persones amb discapacitat.
Sistemes de text a veu moderns
Una de les innovacions clau dels darrers anys ha estat l’ús de xarxes neuronals per generar veu sintètica. Empreses com Google i Microsoft han desenvolupat sistemes TTS d’alta qualitat que utilitzen algoritmes d’aprenentatge profund per analitzar grans conjunts de dades de veus humanes i produir una veu natural.
Un altre gran avenç del TTS com a tecnologia d’assistència ha estat l’ús de tècniques de síntesi per selecció d’unitats i de síntesi concatenativa. Aquestes permeten crear locucions més realistes combinant petites unitats de parla preenregistrada, com ara difons o paraules completes, per formar frases noves. S’utilitzen en aplicacions populars com Speechify, Siri d’Apple i Alexa d’Amazon, així com en eines més antigues com IBM ViaVoice.
La tecnologia de reconeixement de veu també ha avançat notablement els últims anys, fet que ha permès sistemes TTS més sofisticats. Mitjançant algoritmes de reconeixement de veu que transcriuen la parla a text, els sistemes TTS poden generar transicions més naturals en la veu sintetitzada.
En els darrers anys també s’hi han integrat la prosòdia i l’entonació, cosa que permet una parla més natural, amb pauses, èmfasi i tons adequats. La prosòdia és clau en llengües com l’anglès, on l’èmfasi i l’entonació poden canviar significativament el significat d’una frase.
Aprenentatge profund i més enllà: el futur de la tecnologia
El futur de la tecnologia TTS és apassionant i ple de possibilitats. Amb l’avenç de la intel·ligència artificial i de l’aprenentatge profund, podem esperar una veu sintètica encara més natural i capaç de captar matisos humans.
Un àmbit on això serà especialment útil és el desenvolupament d’assistents virtuals i xatbots. Aquests sistemes seran més conversacionals i els usuaris hi podran interactuar d’una manera més natural.
A més, s’esperen avenços en la transcripció fonètica, també coneguda com a conversió de text a fonemes. A mesura que les màquines millorin en la interpretació de la parla humana, l’exactitud i l’eficiència dels sistemes de parla a text continuaran augmentant.
Finalment, la tecnologia de text a veu serà encara més accessible i estarà integrada en el nostre dia a dia. Amb l’expansió de la Internet de les Coses, podrem controlar dispositius amb la veu en temps real, cosa que farà la vida més còmoda i eficient.
Uneix-te a la revolució del text a veu amb Speechify
Si busques un servei de text a veu potent i capaç de generar narracions naturals d’alta qualitat, Speechify és una opció excel·lent.
Amb la seva tecnologia avançada de síntesi formàntica, Speechify crea veus realistes i naturals, molt allunyades de les veus robòtiques d’abans. Fins i tot autors reconeguts com Stephen Hawking —que va participar en projectes de tecnologia de text a veu— quedarien impressionats per les capacitats de Speechify.
Fer servir Speechify és molt fàcil: només has de visitar el lloc web oficial o descarregar l’app mòbil i introduir-hi el text que vulguis. Després, escull la veu que prefereixis, ajusta la velocitat i el to segons les teves necessitats i ja està! Speechify generarà narracions excel·lents i naturals, ideals per a mòduls d’e-learning, vídeos explicatius, podcasts i presentacions. També pots triar entre una gran varietat de veus d’IA naturals per a vídeos de YouTube i altres continguts a les xarxes socials.
No et conformis amb serveis TTS de menys qualitat: prova Speechify avui mateix i descobreix el futur de la conversió de text a veu.
Preguntes freqüents
Qui va desenvolupar el primer sintetitzador de veu del món?
Homer Dudley va dissenyar el primer sintetitzador de veu del món als anys trenta als Bell Laboratories de Nova York.
Quin és l’objectiu de la síntesi de veu?
L’objectiu de la síntesi de veu és generar veu artificial a partir de text mitjançant processament lingüístic i l’anàlisi de la freqüència fonamental.
Quins quatre usos pot tenir el TTS?
El TTS es pot fer servir per a l’accessibilitat, l’entreteniment, l’aprenentatge d’idiomes i l’automatització de serveis de veu.
Quins avantatges té el text a veu?
El text a veu pot millorar l’accessibilitat, afavorir l’aprenentatge i augmentar la productivitat, ja que permet consumir text en format auditiu.
Quin ha estat el moment més sorprenent en el desenvolupament de la síntesi de parla?
Un dels moments més sorprenents en la història de la síntesi de text a veu va ser la invenció del sintetitzador mecànic de Charles Wheatstone.
