Text to speech (TTS) dan sintesis suara mungkin kelihatan seperti teknologi baharu, tetapi sebenarnya kedua-duanya mempunyai sejarah yang panjang sejak berabad-abad lalu.
Daripada percubaan awal meniru suara manusia dengan alat mekanikal sehinggalah kepada model kecerdasan buatan dan pembelajaran mendalam hari ini, perkembangan TTS sememangnya satu perjalanan yang menarik.
Dalam artikel ini, kami akan mengupas sejarah text to speech dan sintesis suara, serta menelusuri potensi menarik teknologi ini pada masa hadapan.
Text to speech dan sintesis suara: daripada perkembangan awal hingga kegunaan moden
Abad ke-18 dan ke-19
Sejarah text to speech dan sintesis suara bermula seawal abad ke-18 dan ke-19. Pada waktu itu, sudah ada percubaan awal untuk mencipta sintesis pertuturan menggunakan alat mekanikal. Pada tahun 1770-an, Wolfgang von Kempelen, seorang pencipta Hungary, membina alat mekanikal yang dikenali sebagai mesin pertuturan akustik-mekanikal untuk meniru saluran vokal manusia. Alat analog ini menggunakan bellow, buluh, dan paip untuk menghasilkan bunyi vokal dan konsonan.
Pada penghujung abad ke-18, ahli fizik Inggeris Charles Wheatstone mencipta versi mekanikal mesin pertuturan Kempelen yang dinamakan "mesin bercakap". Alat ini mampu meniru bunyi pelbagai alat muzik. Walaupun ciptaan Wheatstone bukan dibangunkan khusus untuk sintesis pertuturan, ia mengukuhkan idea bahawa alat mekanikal boleh digunakan untuk menghasilkan bunyi.
Menjelang abad ke-19, pelbagai peranti lain turut dibangunkan, termasuk mesin "pertuturan tiruan" ciptaan Faber. Alat-alat ini menggunakan gabungan sistem mekanikal dan pneumatik untuk menghasilkan bunyi pertuturan.
Awal abad ke-20 dan sintesis pertuturan elektrik sepenuhnya yang pertama
Pada awal abad ke-20, teknologi sintesis pertuturan menjadi semakin canggih dengan terciptanya sistem sintesis pertuturan elektrik sepenuhnya yang pertama, iaitu vocoder oleh Homer Dudley. Sistem ini dibangunkan di Bell Laboratories (Bell Labs) di New Jersey.
Vocoder ciptaan Dudley menggunakan rangkaian resonator dan penapis untuk menghasilkan suara sintetik. Pakar turut mempamerkan vocoder yang dinamakan Voder semasa Pameran Dunia 1939-1940 di Flushing Meadows, New York. Mesin ini dikendalikan menggunakan papan kekunci dan pedal kaki untuk menghasilkan pertuturan.
Awal 1950-an hingga akhir 1970-an – kemunculan penjana suara
Pada tahun 1951, hasil kerja Dudley mengilhamkan pembangunan pattern playback oleh Dr. Franklin S. Cooper di Haskins Laboratories. Sistem ini berfungsi dengan menganalisis rakaman bunyi, seperti perkataan atau frasa yang dituturkan, lalu memecahkannya kepada komponen gelombang atau "corak spektrografik". Corak ini disimpan pada pita magnetik dan dimainkan semula untuk menghasilkan versi sintetik bunyi asal.
Pada tahun 1976, sistem text to speech komersial pertama yang benar-benar berjaya diperkenalkan melalui Kurzweil Reading Machine. Sistem ini menggunakan teknik sintesis konkatenatif dengan menggabungkan fonem dan perkataan yang dirakam untuk menghasilkan pertuturan sintetik. Peranti ini pada asalnya direka untuk membantu golongan kurang upaya, namun kemudiannya mula mendapat sambutan sebagai alat bacaan.
Bermula pada 1978, Texas Instruments membangunkan cip sintesis pertuturan untuk digunakan dalam permainan video dan aplikasi komputer lain. Cip ini menggunakan sintesis konkatenatif yang menggabungkan bunyi pertuturan yang dirakam atau difon untuk menghasilkan pertuturan yang seakan-akan manusia. Teknologi ini kemudian diguna pakai dalam DECtalk, sistem text to speech yang menawarkan suara sintetik berkualiti tinggi untuk golongan kurang upaya.
Sistem text to speech moden
Salah satu inovasi utama sejak kebelakangan ini ialah penggunaan rangkaian neural untuk menjana suara sintetik. Syarikat seperti Google dan Microsoft telah membangunkan sistem TTS berkualiti tinggi menggunakan algoritma pembelajaran mendalam untuk menganalisis set data suara manusia yang besar dan menghasilkan suara sintetik yang kedengaran semula jadi.
Satu lagi perkembangan penting dalam TTS sebagai teknologi bantuan ialah penggunaan teknik pemilihan unit dan sintesis konkatenatif. Kaedah ini membolehkan hasil yang lebih realistik dengan menggabungkan unit kecil pertuturan yang dirakam, seperti difon atau perkataan penuh, untuk membentuk ayat baharu. Teknik ini digunakan dalam aplikasi TTS popular seperti Speechify, Apple Siri, dan Amazon Alexa, serta perisian terdahulu seperti IBM ViaVoice.
Teknologi pengecaman suara juga berkembang pesat dalam beberapa tahun kebelakangan ini, sekali gus membolehkan sistem TTS yang lebih canggih. Dengan menggunakan algoritma pengecaman suara untuk menukar pertuturan manusia kepada teks, sistem TTS dapat menghasilkan peralihan yang lebih lancar dan semula jadi dalam pertuturan sintetik.
Dalam beberapa tahun kebelakangan ini, kita juga menyaksikan integrasi prosodi dan intonasi. Ini membolehkan pertuturan sintetik kedengaran lebih semula jadi dengan jeda, penekanan, dan nada yang betul. Prosodi amat penting bagi bahasa seperti Bahasa Inggeris, yang tekanan dan intonasinya boleh mengubah maksud ayat dengan ketara.
Pembelajaran mendalam dan masa depan teknologi
Masa depan teknologi TTS sememangnya menarik dan penuh potensi. Dengan kemajuan kecerdasan buatan dan pembelajaran mendalam, kita boleh menjangkakan suara sintetik yang lebih semula jadi serta mampu meniru kehalusan dan nuansa pertuturan manusia.
Salah satu bidang yang paling mendapat manfaat daripadanya ialah pembangunan pembantu maya dan chatbot. Sistem seperti ini akan menjadi lebih interaktif, dan pengguna pula dapat berkomunikasi dengan lebih semula jadi.
Kita juga boleh menjangkakan kemajuan dalam bidang transkripsi fonetik, atau penukaran teks-ke-fonem. Apabila mesin semakin cekap mengenali dan mentafsir pertuturan manusia, ketepatan serta kecekapan sistem pertuturan-ke-teks akan terus meningkat.
Akhirnya, teknologi text to speech dijangka akan menjadi semakin meluas dan bersepadu dalam kehidupan seharian. Apabila lebih banyak peranti disambungkan kepada Internet of Things, kita akan dapat mengawalnya terus dengan suara, sekali gus menjadikan hidup lebih mudah dan cekap.
Sertai revolusi text to speech bersama Speechify
Jika anda sedang mencari perkhidmatan text to speech yang berkuasa dan mampu menghasilkan narasi semula jadi serta berkualiti tinggi, cuba Speechify.
Dengan teknologi sintesis formant yang canggih, Speechify menghasilkan suara yang realistik dan semula jadi—jauh berbeza daripada suara robotik pada masa lalu. Tokoh terkenal seperti Stephen Hawking—yang pernah menggunakan teknologi text to speech—pasti akan kagum dengan keupayaan Speechify.
Menggunakan Speechify sangat mudah—anda hanya perlu melayari laman web rasmi atau memuat turun aplikasi mudah alih, kemudian masukkan teks yang diingini. Seterusnya, pilih suara yang sesuai, laraskan kelajuan dan nada, dan siap! Speechify akan menghasilkan narasi yang hebat dan semula jadi untuk modul e-pembelajaran, video penerangan, podcast, dan pembentangan. Anda juga boleh memilih daripada pelbagai suara AI yang semula jadi untuk video YouTube dan kandungan media sosial lain.
Jangan berpuas hati dengan perkhidmatan TTS yang biasa-biasa sahaja—cuba Speechify hari ini dan alami sendiri masa depan teknologi text to speech.
Soalan Lazim
Siapakah pencipta penjana suara pertama di dunia?
Homer Dudley mencipta penjana suara pertama di dunia pada awal 1930-an di Bell Laboratories, New York.
Apakah tujuan sintesis suara?
Matlamat sintesis suara adalah untuk menjana suara buatan daripada input teks menggunakan pemprosesan bahasa dan analisis frekuensi asas.
Apakah empat kegunaan utama TTS?
TTS boleh digunakan untuk kebolehaksesan, hiburan, pembelajaran bahasa, dan automasi perkhidmatan berasaskan suara.
Apakah beberapa kelebihan text to speech?
Text to speech boleh meningkatkan kebolehaksesan, memperkukuh pembelajaran, dan menambah produktiviti dengan membolehkan pengguna menikmati kandungan bertulis dalam bentuk audio.
Apakah detik paling mengejutkan dalam pembangunan sintesis text-to-speech?
Salah satu detik yang paling mengejutkan dalam pembangunan sintesis text to speech ialah terciptanya alat sintesis mekanikal oleh Charles Wheatstone.
