Tekstistä puheeksi (TTS) ja puhesynteesi saattavat vaikuttaa uusilta teknologioilta, mutta niiden historia ulottuu itse asiassa vuosisatojen taakse.
Ihmisen puheen jäljittelystä mekaanisilla laitteilla tämän päivän kehittyneisiin tekoäly- ja syväoppimisratkaisuihin TTS:n kehitys on ollut kiehtova matka.
Tässä artikkelissa perehdymme tekstistä puheeksi -teknologian ja puhesynteesin historiaan sekä tarkastelemme tulevaisuuden mahdollisuuksia.
Tekstistä puheeksi ja puhesynteesi: varhaisvaiheista nykypäivään
1700- ja 1800-luku
Tekstistä puheeksi -teknologian ja puhesynteesin juuret ulottuvat 1700- ja 1800-luvuille. Tuolloin kehitettiin useita varhaisia, mekaanisia synteesilaitteita. 1770-luvulla unkarilainen keksijä Wolfgang von Kempelen loi akustis-mekaanisen puhekoneen, joka jäljitteli ihmisäänen ääntöväylää palkeiden, kaislojen ja putkien avulla ja tuotti vokaali- ja konsonanttiääniä.
1700-luvun lopulla englantilainen fyysikko Charles Wheatstone kehitti Kempelenin puhekoneesta mekaanisemman version, jota hän kutsui "puhuvaksi koneeksi". Laite kykeni tuottamaan eri äänteitä. Vaikka Wheatstonen laitetta ei suunniteltu varsinaiseen puhesynteesiin, se vahvisti ajatusta mekaanisesta äänen tuottamisesta.
1800-luvulla kehitettiin myös muita laitteita, kuten Faberin "keinotekoisen puheen" kone, joissa mekaanisia ja pneumaattisia järjestelmiä yhdistettiin puheäänien tuottamiseen.
1900-luvun alku ja ensimmäinen sähköinen puhesynteesi
1900-luvun alussa puhesynteesi otti suuren harppauksen eteenpäin, kun Homer Dudley kehitti Bell Laboratoriesissa New Jerseyssä ensimmäisen täysin sähköisen puhesynteesijärjestelmän, vocoderin.
Dudleyn vocoder käytti resonanssipiirejä ja suodattimia synteettisen puheen tuottamiseen. Voder-nimistä laitetta esiteltiin New Yorkin maailmannäyttelyssä vuosina 1939–1940. Puhe tuotettiin näppäimistön ja jalkapedaalien avulla.
1950-luvun alusta 1970-luvun loppuun – syntetisaattorien nousu
Vuonna 1951 Dudleyn työ innoitti tohtori Franklin S. Cooperia kehittämään pattern playback -järjestelmän Haskins Laboratoriesissa. Järjestelmä analysoi tallennettuja ääniä ja purki ne spektrikuvioiksi, jotka tallennettiin magneettinauhalle ja toistettiin synteettisenä äänenä.
Vuonna 1976 Kurzweil Reading Machine toi markkinoille ensimmäisen kaupallisesti menestyneen tekstistä puheeksi -järjestelmän. Se käytti yhdistämissynteesiä, jossa yhdisteltiin ennalta nauhoitettuja foneemeja ja sanoja. Laite suunniteltiin ensisijaisesti apuvälineeksi vammaisille, mutta siitä tuli nopeasti suosittu lukemisen tuki.
Vuodesta 1978 alkaen Texas Instruments kehitti puhesynteesipiiriä, jota voitiin käyttää muun muassa videopeleissä ja tietokonesovelluksissa. Piiri käytti yhdistämissynteesiä ja tuotti puhetta yhdistämällä nauhoitettuja äänteitä eli difoneja. Tekniikkaa käytettiin myöhemmin DECtalkissa, korkeatasoisessa tekstistä puheeksi -järjestelmässä vammaisten apuna.
Nykyaikaiset tekstistä puheeksi -järjestelmät
Viime vuosien merkittävimpiin innovaatioihin kuuluu neuroverkkojen hyödyntäminen synteettisen puheen tuottamisessa. Google ja Microsoft ovat kehittäneet korkealaatuisia TTS-järjestelmiä, joissa syväoppimisalgoritmit analysoivat suuria määriä äänidataa ja luovat luonnollista puhetta.
Toinen tärkeä kehitysaskel on ollut yhdistämissynteesin ja yksikkövalintatekniikoiden hyödyntäminen avustavassa TTS-teknologiassa. Näin synteesi kuulostaa luonnollisemmalta, kun pieniä nauhoitettuja puheyksiköitä, kuten difoneja tai sanoja, yhdistellään uusiksi lauseiksi. Tekniikkaa hyödyntävät esimerkiksi Speechify, Apple Siri, Amazon Alexa ja vanhemmista työkaluista IBM ViaVoice.
Myös puheentunnistusteknologia on ottanut suuria harppauksia, mikä on mahdollistanut entistä kehittyneemmät TTS-järjestelmät. Tunnistusalgoritmien avulla TTS voi tuottaa luonnollisempia siirtymiä synteettisessä puheessa.
Viime aikoina TTS-järjestelmissä on alettu hyödyntää myös prosodian ja intonaation mallintamista, minkä ansiosta puhe kuulostaa luonnollisemmalta sopivine taukoineen, painotuksineen ja sävyineen. Prosodia on erityisen tärkeää englannin kaltaisissa kielissä, joissa painotus vaikuttaa merkitykseen.
Syväoppiminen ja tulevaisuus: teknologian seuraava askel
TTS-teknologian tulevaisuus on täynnä mahdollisuuksia. Tekoälyn ja syväoppimisen ansiosta äänet voivat jatkossa kuulostaa entistä aidommilta ja jäljitellä puheen hienovaraisia sävyjä.
Tästä on erityistä hyötyä virtuaaliassistenttien ja chatbotien kehityksessä. Järjestelmistä tulee keskustelukykyisempiä, ja käyttäjät voivat asioida niiden kanssa entistä luonnollisemmin.
Pelkän puhesynteesin lisäksi myös fonologinen transkriptio eli tekstin muuntaminen äänteiksi kehittyy. Kun koneet oppivat tunnistamaan ja tulkitsemaan puhetta yhä paremmin, myös puheentunnistus paranee sekä tarkkuudeltaan että tehokkuudeltaan.
Tekstistä puheeksi -teknologia yleistyy ja nivoutuu osaksi arkea. Tulevaisuudessa yhä useampia laitteita voidaan ohjata äänellä reaaliajassa, mikä tekee arjesta entistä helpompaa ja sujuvampaa.
Lähde mukaan tekstistä puheeksi -vallankumoukseen Speechifyn avulla
Jos etsit tehokasta tekstistä puheeksi -palvelua, joka tuottaa luonnollisen ja laadukkaan kerronnan, Speechify on erinomainen valinta.
Kehittyneen formanttisynteesiteknologiansa ansiosta Speechify tuottaa aitoja ja luonnollisia ääniä toisin kuin aiemmat robottimaiset ratkaisut. Jopa tunnetut ajattelijat, kuten Stephen Hawking, joka hyödynsi tekstistä puheeksi -tekniikkaa, olisivat vaikuttuneita Speechifyn ominaisuuksista.
Speechifyn käyttö on helppoa — käy verkkosivulla tai lataa mobiilisovellus ja syötä haluamasi teksti. Valitse sopiva ääni ja säädä tarvittaessa nopeutta ja sävyä — siinä kaikki! Speechify luo luonnollisen kertojaäänen esimerkiksi verkko-opetukseen, selitysvideoihin, podcasteihin ja esitysäänityksiin. Voit valita laajasta valikoimasta luonnollisia AI-ääniä myös YouTubeen ja muuhun some-sisältöön.
Älä tyydy heikkolaatuisiin TTS-palveluihin — kokeile Speechifyta jo tänään ja koe tekstistä puheeksi -teknologian tulevaisuus.
UKK
Kuka kehitti maailman ensimmäisen puhesyntetisaattorin?
Homer Dudley kehitti maailman ensimmäisen puhesyntetisaattorin 1930-luvun alussa Bell Laboratoriesissa New Jerseyssä.
Mikä on puhesynteesin tarkoitus?
Puhesynteesin tarkoituksena on muuntaa teksti puheeksi luonnollisen kuuloisesti kieliteknologian ja puheen mallinnuksen avulla.
Mitkä ovat neljä TTS:n käyttötapaa?
TTS:ää voidaan hyödyntää saavutettavuudessa, viihteessä, kielenoppimisessa ja ääniavusteisten palveluiden automatisoinnissa.
Mitkä ovat tekstistä puheeksi -toiminnon edut?
Tekstistä puheeksi voi parantaa saavutettavuutta, tehostaa oppimista ja lisätä tuottavuutta mahdollistamalla tekstin kuuntelun äänimuodossa.
Mikä on ollut yllättävin hetki tekstistä puheeksi -teknologian kehityksessä?
Yksi tekstistä puheeksi -teknologian kehityksen yllättävimmistä hetkistä oli Charles Wheatstonen mekaanisen puhesyntetisaattorin keksiminen.
