A szövegfelolvasás (TTS) és a hangszintézis talán újdonságnak tűnhet, valójában azonban évszázadokra visszanyúló, gazdag múltra tekint vissza.
Az első próbálkozásoktól, amikor mechanikus szerkezetekkel igyekeztek utánozni az emberi beszédet, egészen a mai, mesterséges intelligenciára és deep learning modellekre épülő csúcstechnológiáig a TTS fejlődése rendkívül izgalmas utat járt be.
Cikkünkben részletesen áttekintjük a szövegfelolvasás és a hangszintézis történetét, valamint a jövőben rejlő lehetőségeket.
Szövegfelolvasás és hangszintézis: a korai fejlesztésektől a modern felhasználásig
18. és 19. század
A szövegfelolvasás és a hangszintézis története a 18. és 19. századig nyúlik vissza. Ebben az időszakban számos korai kísérlet történt a beszéd szintetizálására különféle mechanikus eszközökkel. Az 1770-es években Kempelen Farkas magyar feltaláló megalkotta hangutánzó gépét, az akusztikai-mechanikai beszélőgépet, amely az emberi hangképző szervek működését igyekezett utánozni. Ez az analóg szerkezet fújtatókat, sípokat és szelepeket használt a magán- és mássalhangzók előállításához.
A 18. század végén Charles Wheatstone angol fizikus elkészítette Kempelen beszélőgépének továbbfejlesztett, mechanikus változatát, amelyet „beszélőgépnek” nevezett. Ez az eszköz különféle hangszerhangok megszólaltatására is képes volt. Bár Wheatstone gépének nem kifejezetten a beszéd szintetizálása volt a célja, megerősítette azt az elképzelést, hogy hangok mechanikus úton is előállíthatók.
A 19. században számos más szerkezet is született, köztük Faber „mesterséges beszéd” gépe. Ezek az eszközök mechanikus és pneumatikus rendszerek kombinációjával hozták létre a beszédhangokat.
20. század eleje és az első teljesen elektromos beszédszintézis
A 20. század elején a beszédszintézis technológiája tovább fejlődött: megszületett az első teljesen elektromos beszédszintézis-rendszer, a vocoder, amelyet Homer Dudley fejlesztett ki a Bell Laboratories (Bell Labs) kutatóközpontjában, New Jerseyben.
Dudley vocodere rezonátorok és szűrők sorozatát használta a szintetikus beszéd létrehozásához. A vocodert, vagyis a Vodert 1939–1940-ben, a New York-i Flushing Meadowsban rendezett világkiállításon mutatták be, ahol billentyűzettel és pedálokkal lehetett működtetni, így hozták létre a beszédhangokat.
Az 1950-es évek elejétől az 1970-es évek végéig – a szintetizátorok felemelkedése
1951-ben Dudley munkája inspirálta Franklin S. Cooper doktort a Haskins Laboratories-nél a pattern playback rendszer kifejlesztésére. A rendszer lényege, hogy egy hangfelvételt — például egy kimondott szót vagy mondatot — elemez, majd spektrográfiai mintákra bontja, és ezeket mágnesszalagon tárolja, hogy visszajátszáskor szintetikus változatot hozzon létre.
1976-ban jelent meg az első kereskedelmileg sikeres szövegfelolvasó rendszer, a Kurzweil Reading Machine. Ez úgynevezett konkatenatív szintézist alkalmazott, vagyis előre rögzített szótagokat és szavakat kombinálva állította elő a gépi beszédet. Az eszközt elsősorban fogyatékkal élők számára tervezték, de hamar népszerű felolvasó segédeszközzé vált.
1978-tól a Texas Instruments beszédszintetizáló chip fejlesztésébe kezdett, amely számítógépes alkalmazásokban és videojátékokban is használható volt. A chip konkatenatív szintézissel, vagyis előre rögzített hangok, úgynevezett difónok kombinálásával tudott emberszerű beszédet generálni. Ezt a technológiát később a DECtalk szövegfelolvasó rendszerben is alkalmazták, főként fogyatékkal élők számára biztosítva kiváló minőségű gépi beszédet.
Modern szövegfelolvasó rendszerek
Az elmúlt évek egyik legfontosabb innovációja a neurális hálózatok alkalmazása a szintetikus beszéd előállításában. Az olyan cégek, mint a Google vagy a Microsoft, fejlett TTS-rendszereket fejlesztettek, amelyek deep learning algoritmusokkal nagyméretű emberi hangadatbázisokat elemeznek, így természetes hangzású beszédet generálnak.
A TTS fejlődésében fontos újítás volt az úgynevezett egységkiválasztásos és konkatenatív szintézistechnológiák megjelenése. Ezek a megoldások előre rögzített beszédegységek — difónok, szótagok vagy akár egész szavak — kombinációjával állítanak elő élethűbb beszédet. Ilyen technikákat használnak népszerű TTS-alkalmazásokban is, mint a Speechify, az Apple Siri vagy az Amazon Alexa, valamint a korábbi IBM ViaVoice rendszerben.
A beszédfelismerés technológiája is rengeteget fejlődött, és ezzel együtt a TTS-rendszerek is sokkal fejlettebbé váltak. A beszédfelismerő algoritmusok az emberi beszédet szöveggé alakítják, ami természetesebb átmeneteket tesz lehetővé a szintetizált beszédben.
Az utóbbi években jelentős előrelépés történt a prozódia és az intonáció integrálásában is. Ennek köszönhetően a gépi beszéd sokkal természetesebben, megfelelő szünetekkel, hangsúlyokkal és hangszínekkel szólal meg. A prozódia különösen fontos az olyan nyelvekben, mint például az angol, ahol a hangsúly és az intonáció jelentősen befolyásolja a mondat jelentését.
Deep learning és azon túl: a technológia jövője
A TTS-technológia jövője kifejezetten ígéretes. A mesterséges intelligencia és a deep learning térnyerésével egyre természetesebb, az emberi beszéd árnyalatait hűen visszaadó szintetikus hangokra számíthatunk.
Ez különösen hasznos lesz a virtuális asszisztensek és chatbotok fejlesztésében. Ezek a rendszerek egyre természetesebben beszélnek majd, a felhasználók pedig gördülékenyebben kommunikálhatnak velük.
További fejlődés várható a fonetikus átírás, vagyis a szöveg–fonéma átalakítás területén is. Ahogy a gépek egyre jobbak lesznek az emberi beszéd felismerésében és értelmezésében, a beszédfelismerő rendszerek pontossága és hatékonysága is tovább javul majd.
Végül a szövegfelolvasó technológia egyre szélesebb körben válik elérhetővé, és fokozatosan beépül a mindennapjainkba. Ahogy egyre több eszköz kapcsolódik az Internet of Things hálózatához, élőszóval is irányíthatjuk majd őket, ami kényelmesebbé és hatékonyabbá teszi a mindennapokat.
Legyen Ön is részese a szövegfelolvasás forradalmának a Speechify segítségével!
Ha kiemelkedő szövegfelolvasó szolgáltatást keres, amely természetes, kiváló hangminőségű narrációt kínál, válassza a Speechifyt!
A Speechify fejlett formánsszintézis-technológiájának köszönhetően valósághű, természetes hangzású hangokat állít elő, szemben a korábbi, robotikus megoldásokkal. Még Stephen Hawking is — aki korábban kipróbálta a szövegfelolvasó technológiát — lenyűgözőnek találná a Speechify képességeit.
A Speechify használata egyszerű: csak látogasson el a hivatalos weboldalra, vagy töltse le a mobilalkalmazást, és írja be a kívánt szöveget. Ezután válasszon hangot, állítsa be a sebességet és a hangmagasságot, és már kész is! A Speechify tökéletes narrációt készít e-learning anyagokhoz, magyarázó videókhoz, podcastokhoz vagy prezentációkhoz. Emellett számos természetes AI-hang közül választhat YouTube-videókhoz és más közösségimédia-tartalmakhoz.
Ne érje be gyengébb TTS-szolgáltatásokkal — próbálja ki a Speechifyt még ma, és tapasztalja meg a szövegfelolvasó technológia jövőjét!
GYIK
Ki fejlesztette ki a világ első beszédszintetizátorát?
Homer Dudley alkotta meg a világ első beszédszintetizátorát az 1930-as évek elején, a New York-i Bell Laboratoriesnál.
Mi a hangszintézis fő célja?
A hangszintézis célja, hogy nyelvi feldolgozás és az alapfrekvencia elemzése révén mesterséges hangot hozzon létre szövegből.
Milyen 4 módon használható a TTS?
A TTS használható akadálymentesítésre, szórakoztatásra, nyelvtanulásra és a hangalapú szolgáltatások automatizálására.
Mik a szövegfelolvasás előnyei?
A szövegfelolvasás javítja az akadálymentességet, segíti a tanulást és növeli a hatékonyságot, mivel lehetővé teszi a szöveges tartalmak hangos fogyasztását.
Mi volt a legmeglepőbb pillanat a szövegfelolvasás fejlődésében?
A szövegfelolvasás fejlődésének egyik legmeglepőbb pillanata Charles Wheatstone mechanikus beszédszintetizátorának megalkotása volt.
