Tekst kõneks (TTS) ja kõnesüntees võivad tunduda uute tehnoloogiatena, kuid tegelikult on neil pikk ja mitmekesine ajalugu, mis ulatub sajandite taha.
Alates esimestest katsetest inimese kõnet mehaaniliselt jäljendada kuni tänapäevaste tehisintellekti- ja süvaõppemudeliteni on TTSi areng olnud tõeliselt põnev teekond.
Selles artiklis vaatleme lähemalt tekst kõneks ja kõnesünteesi ajalugu ning heidame pilgu ka tulevikuvõimalustele.
Tekst kõneks ja kõnesüntees: arengulugu algusaegadest tänapäevani
18. ja 19. sajand
Tekst kõneks ja kõnesünteesi ajalugu ulatub 18. ja 19. sajandisse. Sel ajal tehti esimesed kõnesünteesi katsed mehaaniliste seadmete abil. 1770. aastatel töötas ungari leiutaja Wolfgang von Kempelen välja akustilis-mehaanilise kõnemasina, mis imiteeris inimese hääletrakti. See analoogseade kasutas vilesid, lõõtsa ja torusid vokaal- ja konsonanthelide loomiseks.
18. sajandi lõpus lõi inglise füüsik Charles Wheatstone Kempeleni kõnemasinast täiustatud versiooni, mida ta nimetas "rääkivaks masinaks". Seade suutis tekitada eri helisid, sealhulgas muusikariistade kõla. Kuigi Wheatstone'i masin ei olnud mõeldud otseselt kõnesünteesiks, kinnistas see arusaama, et heli saab luua ka masina abil.
19. sajandil loodi veel mitmeid seadmeid, näiteks Faberi "tehiskõne" masin. Need kasutasid kõnehelide tekitamiseks mehaaniliste ja pneumaatiliste süsteemide kombinatsiooni.
20. sajandi algus ja esimene täiselektriline kõnesüntees
20. sajandi alguses muutus kõnesünteesi tehnoloogia märksa arenenumaks tänu esimese täiselektrilise kõnesüsteemi – Homer Dudley vocoderi – loomisele. Süsteem töötati välja Bell Laboratoriesis (Bell Labs) New Jerseys.
Dudley vocoder kasutas sünteetilise kõne loomiseks resonaatoreid ja filtreid. Selle edasiarendust, vocoderit nimega Voder, demonstreeriti 1939.–1940. aastal New Yorgi maailmanäitusel Flushing Meadowsis. Masinat juhiti klaviatuuri ja jalapedaalidega, et kõnet tekitada.
1950ndate algus kuni 1970ndate lõpp – süntesaatorite ajastu
1951. aastal innustas Dudley töö Haskins Laboratoriesis dr Franklin S. Cooperit looma süsteemi Pattern Playback. See analüüsis salvestatud heli, näiteks räägitud sõna või fraasi, jagades selle komponenthelideks ehk "spektrograafilisteks mustriteks". Muster salvestati magnetlindile ja mängiti seejärel tagasi sünteetilise helina.
1976. aastal jõudis turule esimene kaubanduslikult edukas tekst kõneks süsteem – Kurzweil Reading Machine. See kasutas ühendavat sünteesi, mille puhul kombineeriti eelnevalt salvestatud foneeme ja sõnu, et luua sünteetilist kõnet. Seade loodi eeskätt erivajadustega inimestele, kuid sellest sai kiiresti populaarne lugemisabivahend.
Alates 1978. aastast hakkas Texas Instruments arendama kõnesünteesi kiipi, mis sobis videomängude ja arvutitarkvara jaoks. Kiip kasutas ühendavat sünteesi ehk ühendas salvestatud helielemente, diphoone, et tekitada inimesele sarnast kõnet. Seda tehnoloogiat kasutati ka DECtalki tekst kõneks süsteemis, võimaldades kvaliteetset sünteetilist kõnet abivajajatele.
Kaasaegsed tekst kõneks süsteemid
Viimaste aastate üks olulisemaid uuendusi on olnud närvivõrkude kasutamine sünteetilise kõne loomisel. Google'i ja Microsofti TTS-süsteemid kasutavad süvaõppemudeleid, mis analüüsivad suures mahus inimhääle andmeid ja loovad loomuliku kõlaga kõnet.
Oluline areng TTSi kui abitehnoloogia vallas on olnud üksuste valiku ja ühendava sünteesi kasutuselevõtt. Need meetodid võimaldavad realistlikumaid tulemusi, kombineerides väikeseid, eelnevalt salvestatud kõneüksusi – diphoone või sõnu –, et moodustada uusi lauseid. Seda on kasutatud populaarsetes TTS-rakendustes nagu Speechify, Apple’i Siri ja Amazon Alexa ning ka varasemates lahendustes nagu IBM ViaVoice.
Ka kõnetuvastustehnoloogia on viimastel aastatel kiiresti arenenud, võimaldades veelgi nutikamaid TTS-süsteeme. Kõnetuvastuse algoritmid teisendavad inimese kõne tekstiks, mis aitab luua sünteetilises kõnes loomulikumaid üleminekuid.
Viimastel aastatel on üha enam tähelepanu pööratud ka prosoodia ja intonatsiooni lisamisele TTS-kõnesse. See võimaldab loomulikuma kõlaga kõnet, milles on sobivad pausid, rõhud ja tonaalsus. Prosoodia on eriti oluline näiteks inglise keeles, kus rõhk ja intonatsioon võivad lause tähendust oluliselt muuta.
Süvaõpe ja kaugem tulevik: tehnoloogia arengu järgmine tase
TTS-tehnoloogia tulevik on põnev ja võimalusterohke. Tehisintellekti ja süvaõppe arenguga kuuleme peagi üha loomulikuma kõlaga sünteetilist kõnet, mis suudab jäljendada inimkõne peensusi ja nüansse.
Eriti kasulikuks osutuvad need tehnoloogiad virtuaalassistentide ja vestlusrobotite arendamisel. Süsteemid muutuvad üha vestluslikumaks ning kasutajad saavad nendega suhelda järjest loomulikumal viisil.
Lisaks võib oodata arengut foneetilise transkriptsiooni ehk tekstist foneemide tuvastamise vallas. Masinate parem kõnest arusaamine parandab nii kõnest tekstiks kui ka tekstist kõneks süsteemide täpsust ja kiirust.
Tulevikus muutub tekst kõneks tehnoloogia veelgi kättesaadavamaks ja igapäevaellu rohkem lõimituks. Üha enam seadmeid ühendub asjade internetiga ja võimaldab reaalajas häälkäsklustega juhtimist, muutes elu mugavamaks ja tõhusamaks.
Liitu tekst kõneks revolutsiooniga koos Speechifyga
Kui otsid võimekat tekst kõneks teenust, mis pakub loomulikku ja kvaliteetset kõnet, vali Speechify.
Sisseehitatud formantsünteesi tehnoloogiaga loob Speechify loomuliku kõlaga hääli — erinevalt mineviku robotlikest lahendustest. Isegi selline hinnatud autor nagu Stephen Hawking, kes kasutas samuti tekst kõneks lahendusi, oleks Speechify võimalustest muljet avaldanud.
Speechify kasutamine on lihtne – külasta ametlikku veebisaiti või laadi alla mobiilirakendus ja sisesta soovitud tekst. Vali sobiv hääl, määra kiirus ja intonatsioon ning ongi kõik! Speechify loob suurepärase häälteksti õpiobjektide, selgitavate videote, podcast’ide ja presentatsioonide jaoks. Lisaks saad valida erinevate loomulike AI-häälte vahel YouTube’i videote ja sotsiaalmeedia sisu tarbeks.
Ära lepi kehvemate TTS-lahendustega – proovi Speechifyd kohe ja koge tekst kõneks tehnoloogia tulevikku.
KKK
Kelle loodud oli maailma esimene kõnesüntesaator?
Homer Dudley lõi maailma esimese kõnesüntesaatori 1930. aastate alguses Bell Laboratoriesis New Yorgis.
Mis on kõnesünteesi eesmärk?
Kõnesünteesi eesmärk on luua tekstist tehislikku kõnet keeletöötluse ja põhitoonide analüüsi abil.
Millisteks neljaks eesmärgiks saab TTS-i kasutada?
TTS-i saab kasutada ligipääsetavuse parandamiseks, meelelahutuseks, keeleõppeks ja häälpõhiste teenuste automatiseerimiseks.
Millised on tekst kõneks eelised?
Tekst kõneks parandab ligipääsetavust, toetab õppimist ja suurendab tootlikkust, võimaldades kirjalikku sisu kuulata.
Mis oli tekst kõneks sünteesi arengu kõige üllatavam hetk?
Üks üllatavamaid hetki tekst kõneks sünteesi arenguloos oli Charles Wheatstone'i mehaanilise kõnesüntesaatori leiutamine.
