Tehnologije pretvaranja teksta u govor (TTS) i sinteze glasa možda djeluju kao novost, ali njihova povijest seže stoljećima unatrag.
Od najranijih pokušaja oponašanja ljudskog govora mehaničkim uređajima do današnjih najnaprednijih modela umjetne inteligencije i dubokog učenja, razvoj TTS-a bio je doista fascinantno putovanje.
U ovom ćemo članku pobliže prikazati povijest tehnologije pretvaranja teksta u govor i sinteze glasa te istražiti uzbudljive mogućnosti budućeg razvoja.
Od ranih početaka do suvremene primjene tehnologije pretvaranja teksta u govor i sinteze glasa
18. i 19. stoljeće
Povijest tehnologije pretvaranja teksta u govor i sinteze glasa počinje u 18. i 19. stoljeću. Tada su poduzeti prvi pokušaji sinteze govora pomoću mehaničkih uređaja. Mađarski izumitelj Wolfgang von Kempelen tijekom 1770-ih razvio je mehanički uređaj nazvan akustičko-mehanički govorni stroj, osmišljen za simulaciju ljudskog govornog trakta. Taj analogni uređaj koristio je mijehove, jezičce i cijevi za stvaranje samoglasnika i suglasnika.
Krajem 18. stoljeća engleski fizičar Charles Wheatstone osmislio je složeniju mehaničku verziju Kempelenova govornog stroja – „govorni stroj“. Uređaj je mogao reproducirati zvukove raznih glazbenih instrumenata. Iako Wheatstoneov uređaj nije bio namijenjen isključivo sintezi govora, dodatno je potvrdio ideju korištenja mehaničkog uređaja za proizvodnju zvuka.
U 19. stoljeću razvijen je niz drugih uređaja, uključujući Faberov „umjetni govorni“ stroj. Ti su uređaji kombinirali mehaničke i pneumatske sustave za stvaranje glasovnih zvukova.
Početak 20. stoljeća i prva potpuno električna sinteza govora
Početkom 20. stoljeća tehnologija sinteze govora napredovala je izumom prvog potpuno električnog sustava sinteze govora – vocodera Homera Dudleyja. Sustav je razvijen u Bell Laboratoriesu (Bell Labs) u New Jerseyju.
Dudleyjev vocoder koristio je niz rezonatora i filtara za stvaranje sintetičkog govora. Vocoder, nazvan Voder, predstavljen je na Svjetskoj izložbi 1939.–1940. u Flushing Meadowsu u New Yorku. Stručnjaci su uređajem upravljali pomoću tipkovnice i nožnih pedala kako bi generirali govor.
Od ranih 1950-ih do kraja 1970-ih – uspon sintetizatora
Godine 1951. Dudleyjev rad potaknuo je razvoj sustava Pattern Playback dr. Franklina S. Coopera u laboratorijima Haskins. Sustav je analizirao snimljeni zvuk, poput izgovorene riječi ili fraze, te ga razlagao na sastavne valove, tzv. spektrografske uzorke. Ti su uzorci snimani na magnetsku vrpcu i reproducirani kako bi se dobila sintetička verzija izvornog zvuka.
Godine 1976. predstavljen je prvi komercijalno uspješan sustav za pretvaranje teksta u govor – Kurzweil Reading Machine. Taj je sustav koristio konkatenativnu sintezu, spajajući unaprijed snimljene foneme i riječi u sintetički govor. Uređaj je prvenstveno bio namijenjen osobama s invaliditetom, ali je ubrzo postao popularan kao pomoć pri čitanju.
Počevši od 1978., Texas Instruments radio je na čipu za sintezu govora namijenjenom videoigrama i drugim računalnim primjenama. Čip je koristio konkatenativnu sintezu te kombinirao snimljene glasovne jedinice (difone) kako bi proizveo govor sličan ljudskome. Ta je tehnologija kasnije korištena u DECtalku, sustavu za pretvaranje teksta u govor koji je osobama s invaliditetom nudio visokokvalitetan sintetički govor.
Suvremeni sustavi pretvaranja teksta u govor
Jedna od ključnih inovacija posljednjih godina bila je primjena neuronskih mreža za generiranje sintetičkog govora. Tvrtke poput Googlea i Microsofta razvile su visokokvalitetne TTS sustave koji koriste algoritme dubokog učenja za analizu velikih skupova ljudskih glasova i stvaranje prirodnijeg sintetičkog govora.
Drugi važan iskorak u TTS tehnologiji, osobito u području asistivne tehnologije, jest primjena tehnika selekcije jedinica i konkatenativne sinteze. Te metode omogućuju realističnije rezultate kombiniranjem malih dijelova snimljenog govora, poput difona ili cijelih riječi, za stvaranje novih rečenica. Tim se tehnikama služe poznate TTS aplikacije kao što su Speechify, Appleov Siri i Amazonova Alexa, kao i stariji alati poput IBM ViaVoicea.
Tehnologija prepoznavanja govora također je posljednjih godina znatno napredovala, što je omogućilo sofisticiranije TTS sustave. Korištenjem algoritama za prepoznavanje govora za transkripciju izgovorenog teksta, TTS sustavi mogu ostvariti prirodnije prijelaze u sintetičkom govoru.
U novije vrijeme znatno je poboljšana i integracija prozodije i intonacije. To omogućuje da govor zvuči prirodnije, uz prikladne stanke, naglaske i ton. Prozodija je posebno važna za jezike poput engleskog, u kojem naglasak i intonacija znatno utječu na značenje rečenica.
Duboko učenje i budućnost tehnologije
Budućnost TTS tehnologije iznimno je uzbudljiva. S razvojem umjetne inteligencije i dubokog učenja možemo očekivati još prirodniji sintetički govor koji će moći oponašati i najsuptilnije nijanse ljudskog govora.
To će biti osobito korisno u razvoju virtualnih asistenata i chatbotova. Ti će sustavi postajati sve razgovjetniji, a korisnici će s njima moći komunicirati spontanije.
Možemo očekivati i napredak u području fonetske transkripcije, odnosno konverzije teksta u foneme. Kako strojevi budu bolje prepoznavali i tumačili ljudski govor, rasti će i točnost te učinkovitost sustava za pretvaranje govora u tekst.
TTS tehnologija ubrzano postaje sve dostupnija i sve se više integrira u svakodnevni život. Kako se sve više uređaja povezuje s internetom stvari, moći ćemo njima upravljati glasom u stvarnom vremenu, što donosi veću praktičnost i učinkovitost.
Pridružite se revoluciji pretvaranja teksta u govor uz Speechify
Ako tražite moćan TTS servis koji nudi prirodnu i kvalitetnu naraciju, odaberite Speechify.
Zahvaljujući naprednoj tehnologiji formantne sinteze, Speechify stvara realistične, prirodne glasove – daleko od robotskih glasova iz prošlosti. Čak bi i slavni znanstvenici poput Stephena Hawkinga – koji je također koristio TTS tehnologiju – bili impresionirani mogućnostima alata Speechify.
Speechify je jednostavan za korištenje – posjetite službenu web stranicu ili preuzmite mobilnu aplikaciju i unesite željeni tekst. Zatim odaberite glas koji vam odgovara, podesite brzinu i tonalitet i spremni ste! Speechify će stvoriti izvrsnu i prirodnu naraciju, idealnu za e-učenje, edukativne videe, podcaste i prezentacije. Možete birati i između velikog broja prirodnih AI glasova za YouTube videe i druge oblike sadržaja na društvenim mrežama.
Ne pristajte na lošije TTS servise – isprobajte Speechify već danas i otkrijte budućnost tehnologije pretvaranja teksta u govor.
Česta pitanja
Tko je razvio prvi svjetski sintetizator govora?
Homer Dudley je 1930-ih u Bell Laboratoriesu u New Yorku osmislio prvi svjetski sintetizator govora.
Koja je svrha sinteze govora?
Svrha sinteze govora je stvaranje umjetnog govora iz tekstualnog unosa pomoću jezične obrade i analize osnovne frekvencije.
Koja su četiri načina korištenja TTS-a?
TTS se može koristiti za pristupačnost, zabavu, učenje jezika i automatizaciju usluga kojima se upravlja glasom.
Koje su prednosti pretvaranja teksta u govor?
Pretvaranje teksta u govor poboljšava pristupačnost, olakšava učenje i povećava produktivnost jer omogućuje slušanje pisanog sadržaja.
Koji je bio najiznenađujući trenutak u razvoju sinteze govora?
Jedan od najiznenađujućih trenutaka u razvoju sinteze govora bila je izrada mehaničkog govornog sintetizatora Charlesa Wheatstonea.
