Tekst-til-tale (TTS) og talesyntese kan virke som helt nye teknologier, men de har faktisk en lang og rig historie, der strækker sig flere århundreder tilbage.
Fra de tidligste forsøg på at efterligne menneskelig tale med mekaniske apparater til nutidens avancerede kunstige intelligens og deep learning-modeller har udviklingen af TTS været en fascinerende rejse.
I denne artikel dykker vi ned i historien om tekst-til-tale og talesyntese og ser nærmere på de spændende muligheder, der venter forude.
Tekst-til-tale og talesyntese: fra de tidlige år til i dag
1700- og 1800-tallet
Historien om tekst-til-tale og talesyntese kan spores tilbage til 1700- og 1800-tallet. I denne periode blev der gjort adskillige tidlige forsøg på talesyntese, alle med mekaniske apparater. I 1770'erne udviklede den ungarske opfinder Wolfgang von Kempelen en mekanisk maskine kaldet den akustisk-mekaniske talemaskine, som var designet til at efterligne menneskets talekanal. Denne analoge enhed brugte blæsebælge, tunger og rør til at frembringe vokal- og konsonantlyde.
I slutningen af 1700-tallet opfandt den engelske fysiker Charles Wheatstone en mere avanceret mekanisk version af Kempelens talemaskine, som han kaldte "den talende maskine". Enheden kunne gengive lydene fra forskellige musikinstrumenter. Selvom Wheatstones maskine ikke direkte var udviklet til talesyntese, var den med til at understøtte ideen om at skabe lyd med mekaniske midler.
I 1800-tallet blev der udviklet flere andre apparater, blandt andet Fabers "kunstige talemaskine". Disse maskiner brugte en kombination af mekaniske og pneumatiske systemer til at skabe talelyde.
Det tidlige 1900-tal og den første fuldt elektriske talesyntese
I begyndelsen af det 20. århundrede blev talesynteseteknologien mere avanceret med opfindelsen af det første fuldt elektriske talesyntesesystem – vocoderen af Homer Dudley. Systemet blev udviklet på Bell Laboratories (Bell Labs) i New Jersey.
Dudleys vocoder brugte en række resonatorer og filtre til at skabe syntetisk tale. Eksperter demonstrerede vocoderen, kaldet Voder, under verdensudstillingen 1939-1940 i Flushing Meadows, New York. De betjente maskinen ved hjælp af et keyboard og fodpedaler for at frembringe tale.
Fra begyndelsen af 1950'erne til slutningen af 1970'erne – syntesens gennembrud
I 1951 inspirerede Dudleys arbejde udviklingen af "pattern playback" af Dr. Franklin S. Cooper på Haskins Laboratories. Systemet analyserede en optaget lyd, f.eks. et ord eller en sætning, og brød den ned i dens lydbølger eller "spektrogrammønstre". Disse mønstre blev gemt på magnetbånd og afspillet for at skabe en syntetisk version af den oprindelige lyd.
I 1976 blev det første kommercielt succesfulde tekst-til-tale-system introduceret med Kurzweil Reading Machine. Systemet brugte en konkatenerende synteseteknik, hvor forudindspillede fonemer og ord blev sat sammen for at producere syntetisk tale. Enheden var primært udviklet som hjælpemiddel til personer med handicap, men blev hurtigt populær som læsehjælp.
Fra 1978 begyndte Texas Instruments at udvikle en talesyntesechip til brug i videospil og andre computerbaserede anvendelser. Chippen brugte konkatenerende syntese og kombinerede optagede talelyde, såkaldte difoner, for at gengive menneskelignende tale. Denne teknologi blev senere brugt i DECtalk, et tekst-til-tale-system, der leverede syntetisk tale i høj kvalitet til personer med handicap.
Moderne tekst-til-tale-systemer
En af de største innovationer i de senere år er brugen af neurale netværk til at generere syntetisk tale. Virksomheder som Google og Microsoft har udviklet avancerede TTS-systemer, som bruger deep learning-algoritmer til at analysere store datasæt med menneskelige stemmer og skabe naturligt lydende tale.
En anden vigtig udvikling inden for TTS som hjælpeteknologi har været brugen af unit selection og konkatenerende syntese. Disse metoder gør det muligt at skabe mere realistisk tale ved at kombinere små forudindspillede dele, f.eks. difoner eller hele ord, til nye sætninger. Teknikkerne bruges i populære TTS-apps som Speechify, Apples Siri og Amazons Alexa samt ældre værktøjer som IBM ViaVoice.
Talegenkendelsesteknologi har også udviklet sig markant i de seneste år, hvilket har gjort mere avancerede TTS-systemer mulige. Ved at bruge talegenkendelsesalgoritmer til at transskribere tale til tekst kan TTS-systemer skabe mere naturlige overgange i syntetisk tale.
På det seneste har vi også set indførelsen af prosodi og intonation, hvilket gør det muligt at skabe mere naturlig tale med pauser, betoning og toneleje. Prosodi er især vigtig for sprog som engelsk, hvor tryk og intonation kan ændre betydningen af en sætning markant.
Deep learning og videre: fremtidens teknologi
Fremtiden for TTS-teknologi ser lovende ud og rummer et stort potentiale. Med kunstig intelligens og deep learning kan vi forvente endnu mere naturligt lydende tale, der kan gengive menneskets talemæssige nuancer.
Et område, hvor dette især vil få betydning, er udviklingen af virtuelle assistenter og chatbots. Disse systemer vil blive mere samtalebaserede, og brugere vil kunne kommunikere mere naturligt med dem.
Derudover kan vi forvente fremskridt inden for fonetisk transskription, også kendt som tekst-til-fonem-konvertering. Efterhånden som maskiner bliver bedre til at genkende og fortolke menneskelig tale, vil tale-til-tekst-systemer blive mere præcise og effektive.
Endelig kan vi forvente, at tekst-til-tale-teknologien bliver endnu mere udbredt og integreret i hverdagen. Efterhånden som flere enheder kobles på Internet of Things, kan vi styre dem med stemmen i realtid, hvilket øger både bekvemmelighed og effektivitet.
Bliv en del af tekst-til-tale-revolutionen med Speechify
Hvis du leder efter en kraftfuld tekst-til-tale-tjeneste, der kan levere naturlig oplæsning i høj kvalitet, så er Speechify et oplagt valg.
Med avanceret formantsyntese skaber Speechify realistiske og naturligt lydende stemmer i stedet for fortidens robotagtige stemmer. Selv anerkendte personer som Stephen Hawking – der selv arbejdede med tekst-til-tale – ville blive imponeret over, hvad Speechify kan.
Det er nemt at bruge Speechify – besøg blot den officielle hjemmeside eller download mobilappen, og indtast den tekst, du vil have læst op. Vælg derefter en stemme, der passer til dit behov, juster hastighed og tonehøjde, og voilà! Speechify leverer fremragende og naturlig oplæsning til e-læringsmoduler, forklaringsvideoer, podcasts og præsentationer. Du kan også vælge mellem et stort udvalg af naturligt lydende AI-stemmer til YouTube-videoer og indhold til sociale medier.
Nøjes ikke med middelmådige TTS-tjenester – prøv Speechify i dag og oplev fremtiden for tekst-til-tale-teknologi.
FAQ
Hvem udviklede verdens første talesyntese?
Homer Dudley udviklede verdens første talesyntese i begyndelsen af 1930'erne hos Bell Laboratories i New Jersey.
Hvad er formålet med talesyntese?
Formålet med talesyntese er at omdanne tekst til kunstig tale ved hjælp af sprogbehandling og analyse af grundlæggende frekvenser.
Hvilke fire måder kan TTS bruges på?
TTS kan bruges til tilgængelighed, underholdning, sprogindlæring og automatisering af talebaserede tjenester.
Hvad er nogle af fordelene ved tekst-til-tale?
Tekst-til-tale kan forbedre tilgængeligheden, styrke læring og øge produktiviteten ved at gøre det muligt at lytte til skrevet indhold.
Hvilket øjeblik har været mest overraskende i udviklingen af tekst-til-tale?
Et af de mest overraskende øjeblikke i udviklingen af tekst-til-tale var opfindelsen af Charles Wheatstones mekaniske talesyntese.
