Mis on närvivõrgupõhine kõnetehnoloogia?
Kõne on keeruline suhtlusvorm. Peale tähenduse kannab see ka konteksti ja emotsioone. Seetõttu võib tunduda, et masin ei suuda kõne nüansse jäljendada. Kuid viimaste kõnesüntesaatori (TTS) tehnoloogiate arengute tõttu on masinad inimkõnele lähemal kui kunagi varem. Lõpetamaks aastakümneid kestnud loomuliku kõne otsinguid, töötas Londoni DeepMind 2016. aastal välja WaveNeti tehnoloogia. See kasutab ehtsate kõnesalvestuste peal treenitud närvivõrke, et luua pea inimlikku kõnet. Neuronaalvõrgud ja masinõpe on toonud närvivõrgupõhise TTS-i, mis on oluliselt parandanud arvutikõne loomulikkust ja reageerimisvõimet. See artikkel toob välja kõik olulisema sellest uuenduslikust tehnoloogiast ning sellest, kuidas seda ise proovida.
Mis on närvivõrgupõhine kõnetehnoloogia?
Närvivõrgupõhine TTS on kõnesüntees, mis töötab tehisintellekti ja süvaõppe toel. See muudab kõne palju loomulikumaks ja väljendusrikkamaks kui tavapärased TTS-lahendused. Tegemist on masinkõne erivormiga, kus on kasutatud inimese ajust inspireeritud närvivõrke. Need süsteemid töötlevad andmeid keerukate ühenduste kaudu nagu inimaju. Korduva kasutuse käigus tekivad uued ühendused, mis muudavad järgmise aktiveerimise lihtsamaks. Närvivõrgud TTS-is töötlevad suurt hulka andmeid, et õppida parimad teed sisendist väljundini. See ongi masinõpe – süsteem sünteesib kõnet iseseisvalt, kasutades neuronvokaalset sünteesi. Loomulikkusele väga lähedase kõnekvaliteedi saavutamiseks vajab TTS mitut sügavat närvivõrgumudelit: akustilisi, kõrguse ja kestuse mudeleid. Kõrguse ja kestuse mudelid määravad prosoodilised omadused nagu intonatsioon ja rütm, akustilised aga energeetika ja spektri. Nii ongi mitmed närvivõrgumudelid viinud TTS-i täiesti uuele tasemele.
- WaveNet: autoregressiivne mudel täieliku konvolutsioonse närvivõrguga
- Deep Voice: keerukas mudel nelja närvivõrguga, keskendub foneemidele
- Tacotron: esimene lõpuni-töötav mudel, kasutab tuttavat kodeerija/dekodeerija arhitektuuri
Neid mudeleid on nüüdseks asendatud uute, täiustatud mudelitega, sh:
- Deep Voice 2
- Deep Voice 3
- Parallel WaveNet
- Tacotron 2
Viimastel aastatel on lisandunud uusi, transformer-põhiseid mudeleid, mis lahendavad eelmiste TTS-mudelite kitsaskohti.
Milleks saab kasutada kõnesünteesi?
TTS-il on palju kasutusvõimalusi, parandades suhtlust, ligipääsetavust ja mugavust. Hariduses aitab TTS õppijaid lugemisraskuste või nägemispuudega, muutes teksti kuuldavaks. Audioraamatute loomine käib TTS-iga kiiresti. Vaegnägijatele teeb TTS igapäevatoimetused lihtsamaks, alates meilide lugemisest kuni veebis navigeerimiseni. Kõik saavad TTS-ist kasu tootlikkuse tõstmiseks, mitme asja korraga tegemiseks või silmadele puhkuse andmiseks. Transpordis kasutavad GPS-seadmed TTS-i hääljuhisteks. Ärid rakendavad TTS-i automaatkõnedes, arendajad lisavad selle virtuaalassistentidesse ja nutiseadmetesse. Mitmekülgsus ja kvaliteet teevad sellest hindamatu tööriista paljudes valdkondades.
Millised on parimad TTS-rakendused närvivõrgupõhise kõne loomiseks?
Nüüd tead, mis on närvivõrgupõhine TTS — vaatame, kuidas seda päriselus kasutada. Siin on kolm parimat TTS-rakendust, mis pakuvad loomulikku inimhäält.
Amazon Polly
Amazon Polly on pilvepõhine TTS-teenus üle 90 loomuliku hääle ja 34 keele/murdega. Närvivõrgutehnoloogia on selle suur tugevus. Polly‘t saab veebikonsoolina kasutada kõigil platvormidel: iOS, Android. Saadaval on ka API kolmanda osapoole rakendustes kasutamiseks.
NaturalReader
NaturalReader on TTS-tarkvara, millel on häälduse kohandamine, häälestiilide valik ja OCR. Pakub üle 150 loomuliku hääle enam kui 20 keeles. Laadi NaturalReader alla Windowsi, Maci, iOS-i ja Androidi seadmetele.
Speechify
Speechify on selles nimekirjas parim kõnesüntesaator, pakkudes OCR-i, häälekohandust ja kohest tõlget. Tööriistas on üle 130 väga inimlikult kõlava hääle ja 30+ keele, sh hispaania, jaapani ja hiina keel. Tõeliselt loomulik kõneemotsioon teeb Speechify ainulaadseks. Rakendus on saadaval kõigis seadmetes: mobiiliäpp iOS-ile ja Androidile, arvutirakendus Macile ja Windowsile ning veebi kaudu kõigis brauserites.
Speechify — tööriist täis loomulikke inimhääli
Speechify mitmekülgsus on teinud sellest ühe juhtiva TTS-tarkvara. Muuda lugemiskiirust, vali hääl — seda pakuvad vähesed. Tugev integratsioonivalik ja API-tugi. Tänu spetsiaalsele äpile igal platvormil on kasutuskogemus alati sujuv. Kõrge häälekvaliteet selgitab, miks Speechify on miljonite lemmik. Laadi Speechify kohe tasuta ja kuula ise, kui loomulikult need hääled kõlavad.
KKK
Kas on olemas loomulikuna kõlav TTS?
Jah, olemas on loomulikuna kõlav TTS — närvivõrgupõhine TTS.
Milline TTS-hääl on kõige loomulikum?
Speechify pakub TTS-tarkvara seas kõige loomulikumaid hääli.
Mis on närvivõrgupõhise TTS-i eelised?
Närvivõrgupõhise TTS-i hääled on väga loomulikud. Need kohanduvad hästi ja vahetavad hõlpsalt kõnestiili.
Mis vahe on TTS-il ja heli-kõne süsteemil?
TTS muudab teksti kõneks — sinna tuleb sisestada tekst. Heli-kõne süsteemid tunnevad ära räägitud sõnad ja vastavad neile (nt Alexa, Siri, Cortana). Neid tuntakse ka virtuaalabilistena.
Kas närvivõrgupõhine TTS kõlab loomulikult?
Jah, närvivõrgupõhine TTS kõlab väga loomulikult, sest põhineb rekurrentsetel närvivõrkudel ja loob tõetruu sünteeshääle.
Kas närvivõrgupõhine TTS saab luua kohandatud hääli?
Jah, närvivõrgupõhist TTS-i saab kasutada kohandatud häälte loomiseks eri kasutusvaldkondades — ekraanilugejatest klienditoebottideni. Azure on tuntud selliste lahenduste pakkuja, võimaldades täielikku kontrolli SSML-i ja testikomplektide abil.
