Text to speech (TTS) dan sintesis suara mungkin terdengar seperti teknologi baru, padahal sebenarnya punya sejarah panjang sejak berabad-abad lalu.
Mulai dari upaya awal meniru suara manusia dengan alat mekanis hingga model AI dan deep learning modern, perkembangan TTS adalah sebuah perjalanan yang menarik.
Di artikel ini, kita akan menyusuri sejarah text to speech dan sintesis suara, sekaligus melihat berbagai peluang menarik di masa depan.
Text to speech dan sintesis suara: dari awal hingga masa kini
Abad ke-18 dan 19
Sejarah text to speech dan sintesis suara dimulai pada abad ke-18 dan 19. Saat itu, banyak percobaan awal sintesis suara dengan perangkat mekanis. Pada 1770-an, Wolfgang von Kempelen, penemu asal Hungaria, menciptakan mesin akustik-mekanis yang meniru saluran vokal manusia. Alat analog ini memakai bellow, reed, dan pipa untuk menghasilkan bunyi vokal dan konsonan.
Di akhir abad ke-18, fisikawan Inggris Charles Wheatstone menciptakan versi mekanis dari mesin suara Kempelen bernama "speaking machine". Alat tersebut bisa meniru suara alat musik. Walau tidak dirancang khusus untuk sintesis suara, temuan Wheatstone semakin mengokohkan ide penggunaan alat mekanis untuk menghasilkan suara.
Di abad ke-19, muncul perangkat lain seperti mesin "artificial speech" Faber. Perangkat ini menggunakan sistem mekanik–pneumatik untuk menghasilkan suara ucapan.
Awal abad ke-20 & sintesis ucapan listrik penuh pertama
Di awal abad ke-20, teknologi sintesis suara berkembang berkat penemuan vocoder oleh Homer Dudley, sistem sintesis bicara listrik penuh pertama yang dikembangkan di Bell Labs, New Jersey.
Vocoder milik Dudley menggunakan resonator dan filter untuk menghasilkan suara sintetis. Vocoder, yang disebut Voder, dipamerkan di World's Fair 1939-1940 di New York. Mesin ini dioperasikan dengan keyboard dan pedal kaki untuk menghasilkan suara.
Awal 1950-an–akhir 1970-an: era synthesizer
Pada 1951, karya Dudley menginspirasi sistem pattern playback buatan Dr. Franklin S. Cooper di Haskins Labs. Sistem ini menganalisis rekaman suara, lalu memecahnya menjadi gelombang atau "pola spektrum". Pola ini disimpan di pita magnetik dan diputar ulang untuk menghasilkan suara sintetis dari rekaman aslinya.
Pada 1976, Kurzweil Reading Machine meluncurkan sistem text to speech komersial pertama. Sistem ini menggunakan teknik concatenative synthesis, menggabungkan fonem dan kata rekaman untuk menghasilkan suara sintetis. Awalnya dipakai sebagai alat bantu baca bagi penyandang disabilitas, lalu makin dikenal luas oleh masyarakat.
Mulai 1978, Texas Instruments mengembangkan chip sintesis suara untuk game dan aplikasi komputer. Chip ini memakai concatenative synthesis, menggabungkan suara rekaman (diphone) untuk membuat suara mirip manusia. Teknologi ini kemudian digunakan di DECtalk, sistem text to speech berkualitas tinggi untuk pengguna disabilitas.
Sistem text to speech modern
Terobosan besar beberapa tahun terakhir adalah penggunaan neural network untuk menghasilkan suara sintetis. Perusahaan seperti Google dan Microsoft mengembangkan TTS berkualitas tinggi dengan deep learning yang menganalisis dataset suara manusia dan menghasilkan ucapan yang lebih alami.
Perkembangan penting lain di TTS sebagai teknologi bantu adalah teknik unit selection dan concatenative synthesis. Cara ini lebih realistis karena menggabungkan unit suara seperti diphone atau kata untuk membentuk kalimat baru dan digunakan di berbagai aplikasi TTS populer seperti Speechify, Apple Siri, Amazon Alexa, maupun IBM ViaVoice.
Teknologi pengenalan suara juga berkembang pesat sehingga sistem TTS makin canggih. Dengan algoritma pengenalan suara untuk transkripsi, sistem TTS bisa menghadirkan transisi suara sintetis yang lebih mulus dan alami.
Dalam beberapa tahun terakhir, integrasi prosodi dan intonasi juga mulai diterapkan. Ini membuat ucapan terdengar makin alami dengan jeda, penekanan, dan nada yang pas. Prosodi sangat penting, khususnya untuk bahasa seperti Inggris, di mana tekanan dan intonasi dapat mengubah makna kalimat.
Deep learning & masa depan teknologi
Masa depan teknologi TTS sangat menjanjikan. Dengan kemajuan AI dan deep learning, suara sintetis akan makin mirip manusia, mampu meniru nuansa dan detail bicara alami.
Bidang penting berikutnya adalah pengembangan asisten virtual dan chatbot yang kian terasa humanis. Sistem ini akan makin mudah diajak berkomunikasi secara alami oleh pengguna.
Selain itu, kemajuan dalam transkripsi fonetik (text-to-phoneme conversion) juga diharapkan melesat. Mesin akan makin mahir memahami dan menafsirkan ucapan manusia sehingga akurasi dan efisiensi speech-to-text terus meningkat.
Ke depannya, teknologi text to speech akan makin mudah diakses dan terintegrasi dalam kehidupan sehari-hari. Dengan makin banyak perangkat yang terhubung Internet of Things, kita bisa mengontrolnya dengan suara secara real time, sehingga hidup terasa lebih praktis dan efisien.
Gabung dalam revolusi text to speech bersama Speechify
Kalau Anda sedang mencari layanan text to speech unggulan dengan hasil narasi yang alami dan berkualitas, coba Speechify.
Berkat teknologi formant synthesis canggih, Speechify menciptakan suara yang realistis dan natural, jauh dari suara robotik zaman dulu. Bahkan penulis terkenal seperti Stephen Hawking – yang pernah mengandalkan teknologi text to speech – pasti akan terpukau dengan kemampuan Speechify.
Menggunakan Speechify sangat mudah — kunjungi website resmi atau unduh aplikasinya, masukkan teks, pilih suara, atur kecepatan dan pitch, dan selesai! Speechify menghasilkan narasi alami yang pas untuk e-learning, video,podcast, danpresentasi. Anda bahkan bisa membuatsuara kustom untuk dipakai diYouTube dan media sosial lainnya.
Jangan puas dengan layanan TTS biasa —coba Speechify hari ini dan rasakan sendiri masa depan teknologi text-to-speech.
FAQ
Siapa pencipta sintetis suara pertama di dunia?
Homer Dudley merancang sintetis suara pertama di dunia pada awal 1930-an di Bell Labs, New York.
Apa tujuan sintesis suara?
Tujuan sintesis suara adalah menciptakan ucapan buatan dari teks lewat pemrosesan bahasa dan analisis frekuensi dasar.
Apa empat kegunaan TTS?
TTS dimanfaatkan untuk aksesibilitas, hiburan, pembelajaran bahasa, dan otomasi layanan berbasis suara.
Apa saja kelebihan text to speech?
Text to speech meningkatkan aksesibilitas, proses belajar, dan produktivitas dengan mengubah konten teks menjadi audio.
Apa momen paling mengejutkan dalam pengembangan sintesis text-to-speech?
Salah satu momen paling mengejutkan adalah penemuan alat sintesis suara mekanis karya Charles Wheatstone.
