Text to speech (TTS) dan sintesis suara mungkin tampak seperti teknologi baru, padahal sebenarnya keduanya memiliki sejarah panjang yang dimulai sejak berabad-abad lalu.
Dari upaya awal meniru suara manusia dengan perangkat mekanis hingga model artificial intelligence dan deep learning saat ini, perkembangan TTS merupakan perjalanan yang sangat menarik.
Dalam artikel ini, kami akan membahas sejarah text to speech dan sintesis suara, sekaligus menelusuri berbagai kemungkinan menarik di masa depan.
Text to Speech dan Sintesis Suara: dari pengembangan awal hingga penggunaan modern
Abad ke-18 dan ke-19
Sejarah text to speech dan sintesis suara dapat ditelusuri hingga abad ke-18 dan ke-19. Pada masa ini, ada sejumlah percobaan awal dalam sintesis suara yang seluruhnya menggunakan perangkat mekanis. Pada tahun 1770-an, Wolfgang von Kempelen, seorang penemu asal Hungaria, mengembangkan perangkat mekanis bernama mesin bicara akustik-mekanis yang dirancang untuk meniru saluran vokal manusia. Alat analog ini menggunakan bellow, reeds, dan pipa untuk menghasilkan bunyi vokal dan konsonan.
Pada akhir abad ke-18, fisikawan Inggris Charles Wheatstone menciptakan versi mekanis yang lebih canggih dari mesin bicara Kempelen yang ia sebut "mesin berbicara". Alat ini dapat meniru suara dari berbagai instrumen musik. Meski perangkat Wheatstone tidak dirancang khusus untuk sintesis suara, temuannya menegaskan konsep penggunaan perangkat mekanis untuk menghasilkan suara.
Pada abad ke-19, berbagai perangkat lain juga dikembangkan, termasuk mesin "artificial speech" karya Faber. Perangkat ini memanfaatkan sistem mekanis dan pneumatik untuk menghasilkan suara ujaran.
Awal abad ke-20 dan sintesis suara elektrik pertama
Pada awal abad ke-20, teknologi sintesis suara makin maju dengan ditemukannya sistem sintesis suara elektrik penuh pertama, yaitu vocoder karya Homer Dudley. Sistem ini dikembangkan di Bell Laboratories (Bell Labs) di New Jersey.
Vocoder buatan Dudley menggunakan serangkaian resonator dan filter untuk menciptakan suara sintetis. Alat ini, yang disebut Voder, dipamerkan pada World’s Fair 1939–1940 di Flushing Meadows, New York. Mesin ini dioperasikan dengan keyboard dan pedal kaki untuk menghasilkan suara.
Awal 1950-an hingga akhir 1970-an – era synthesizer
Pada 1951, karya Dudley menginspirasi pengembangan pattern playback oleh Dr. Franklin S. Cooper di Haskins Laboratories. Sistem ini bekerja dengan menganalisis suara yang direkam, seperti kata atau frasa yang diucapkan, lalu memecahnya menjadi gelombang suara atau "pola spektrografis". Pola tersebut kemudian disimpan di pita magnetik dan diputar ulang untuk menghasilkan versi sintetis dari suara aslinya.
Pada 1976, sistem text to speech komersial pertama yang sukses diperkenalkan melalui Kurzweil Reading Machine. Sistem ini menggunakan teknik sintesis konkatenatif, yaitu menggabungkan fonem dan kata rekaman untuk menghasilkan suara sintetis. Awalnya perangkat ini dibuat untuk membantu penyandang disabilitas, tetapi kemudian populer sebagai alat bantu membaca.
Mulai 1978, Texas Instruments mengembangkan chip sintesis suara untuk digunakan dalam video game dan aplikasi komputer lainnya. Chip ini memakai sintesis konkatenatif, yaitu menggabungkan rekaman suara atau diphone untuk menghasilkan suara mirip manusia. Teknologi ini kemudian digunakan dalam DECtalk, sistem text to speech berkualitas tinggi untuk penyandang disabilitas.
Sistem text to speech modern
Salah satu inovasi utama dalam beberapa tahun terakhir adalah penggunaan neural network untuk menghasilkan suara sintetis. Perusahaan seperti Google dan Microsoft telah mengembangkan sistem TTS berkualitas tinggi yang menggunakan algoritme deep learning untuk menganalisis kumpulan data suara manusia dan menghasilkan output yang terdengar alami.
Perkembangan penting lain dalam TTS sebagai teknologi asistif adalah penggunaan teknik unit selection dan sintesis konkatenatif. Metode ini memungkinkan hasil yang lebih realistis dengan menggabungkan unit-unit rekaman suara, seperti diphone atau kata utuh, untuk menyusun kalimat baru. Teknik ini digunakan pada aplikasi TTS populer seperti Speechify, Siri dari Apple, Alexa dari Amazon, hingga alat lama seperti IBM ViaVoice.
Teknologi pengenalan suara juga berkembang pesat dalam beberapa tahun terakhir, sehingga memungkinkan sistem TTS yang lebih canggih. Dengan menggunakan algoritme pengenalan suara untuk menyalin ucapan manusia menjadi teks, sistem TTS dapat menciptakan transisi yang lebih alami pada suara yang dihasilkan.
Dalam beberapa tahun terakhir, integrasi prosodi dan intonasi juga makin berkembang. Hal ini menghasilkan suara yang lebih alami, lengkap dengan jeda, penekanan, dan nada yang sesuai. Prosodi sangat penting untuk bahasa seperti Inggris, yang tekanan dan intonasinya dapat mengubah arti kalimat.
Deep learning dan masa depan teknologi
Masa depan teknologi TTS sangat menjanjikan dan penuh peluang. Dengan kemajuan artificial intelligence dan deep learning, kita dapat mengharapkan keluaran suara yang makin alami dan mampu meniru kehalusan serta nuansa ucapan manusia.
Salah satu area yang sangat potensial adalah pengembangan asisten virtual dan chatbot. Sistem ini akan semakin komunikatif sehingga pengguna dapat berinteraksi dengan cara yang lebih alami.
Kemajuan juga diharapkan dalam transkripsi fonetik atau konversi teks ke fonem. Seiring mesin semakin mahir mengenali dan memproses suara manusia, akurasi dan efisiensi sistem speech-to-text pun akan terus meningkat.
Pada akhirnya, teknologi text to speech akan semakin luas digunakan dan makin terintegrasi dalam kehidupan sehari-hari. Dengan makin banyak perangkat yang terhubung ke Internet of Things, kita akan dapat mengendalikannya secara real-time lewat suara, sehingga hidup menjadi lebih praktis dan efisien.
Bergabunglah dengan revolusi text to speech bersama Speechify
Jika Anda mencari layanan text to speech yang menghasilkan narasi alami dan berkualitas tinggi, Speechify adalah pilihan yang tepat.
Dengan teknologi advanced formant synthesis, Speechify menghadirkan suara yang realistis dan alami — jauh dari kesan robotik seperti teknologi lama. Bahkan tokoh seperti Stephen Hawking—yang pernah menggunakan teknologi text to speech—pasti akan terkesan dengan kemampuan Speechify.
Speechify mudah digunakan — cukup kunjungi website resmi atau unduh aplikasi mobile, lalu masukkan teks yang diinginkan. Setelah itu, pilih suara yang sesuai, atur kecepatan dan nada bila perlu, dan selesai! Speechify akan menghasilkan narasi yang alami, cocok untuk modul e-learning, video penjelasan, podcast, dan presentasi. Anda juga dapat memilih berbagai suara AI alami untuk video YouTube maupun konten media sosial lainnya.
Jangan puas dengan layanan TTS biasa — coba Speechify hari ini dan rasakan masa depan teknologi text to speech.
FAQ
Siapa yang mengembangkan speech synthesizer pertama di dunia?
Homer Dudley merancang speech synthesizer pertama di dunia pada awal 1930-an di Bell Laboratories, New York.
Apa tujuan sintesis suara?
Sintesis suara bertujuan menghasilkan ucapan buatan dari input teks dengan menggunakan pemrosesan bahasa dan analisis frekuensi dasar.
Apa saja empat kegunaan TTS?
TTS dapat digunakan untuk aksesibilitas, hiburan, pembelajaran bahasa, dan otomatisasi layanan berbasis suara.
Apa keunggulan text to speech?
Text to speech meningkatkan aksesibilitas, mendukung pembelajaran, serta meningkatkan produktivitas dengan memungkinkan konten teks dinikmati dalam bentuk audio.
Apa momen paling mengejutkan dalam pengembangan sintesis text to speech?
Salah satu momen paling mengejutkan dalam pengembangan text to speech adalah ditemukannya speech synthesizer mekanis oleh Charles Wheatstone.
