Technologie text to speech (TTS) i synteza głosu mogą wydawać się nowością, ale w rzeczywistości ich historia sięga kilku stuleci.
Od pierwszych prób naśladowania ludzkiej mowy za pomocą mechanicznych urządzeń po współczesne modele sztucznej inteligencji i uczenia głębokiego — rozwój TTS to fascynująca podróż.
W tym artykule przyjrzymy się historii technologii text to speech i syntezy głosu oraz temu, jakie możliwości może przynieść przyszłość.
Text to speech i synteza głosu: od początków do współczesności
XVIII i XIX wiek
Początki technologii text to speech i syntezy głosu sięgają XVIII i XIX wieku. W tym okresie pojawiły się pierwsze próby syntezy mowy, oparte wyłącznie na urządzeniach mechanicznych. W latach 70. XVIII wieku węgierski wynalazca Wolfgang von Kempelen opracował mechaniczną maszynę mówiącą — akustyczno-mechaniczne urządzenie, które miało symulować ludzki trakt głosowy. Do generowania samogłosek i spółgłosek wykorzystywało miechy, piszczałki i rurki.
Pod koniec XVIII wieku angielski fizyk Charles Wheatstone stworzył bardziej zaawansowaną mechaniczną wersję maszyny Kempelena, nazywając ją „maszyną mówiącą”. Urządzenie potrafiło odtwarzać dźwięki różnych instrumentów muzycznych. Choć nie służyło bezpośrednio do syntezy mowy, umacniało ideę tworzenia dźwięku za pomocą urządzeń mechanicznych.
W XIX wieku powstały kolejne urządzenia, w tym „sztuczna mowa” Fabera. Wykorzystywały one połączenie mechaniki i układów pneumatycznych do generowania dźwięków przypominających mowę.
Początek XX wieku — pierwsza w pełni elektryczna synteza mowy
Na początku XX wieku technologia syntezy mowy znacznie się rozwinęła, gdy Homer Dudley wynalazł pierwszy w pełni elektryczny system syntezy głosu — wokoder. Urządzenie powstało w Bell Laboratories (Bell Labs) w New Jersey.
Wokoder Dudleya wykorzystywał ciąg rezonatorów i filtrów do tworzenia syntetycznej mowy. Urządzenie, nazwane Voder, zaprezentowano na Wystawie Światowej w Nowym Jorku w latach 1939–1940. Operatorzy posługiwali się klawiaturą i pedałami, aby generować mowę.
Od początku lat 50. do końca lat 70. — era syntezatorów
W 1951 roku prace Dudleya zainspirowały powstanie „pattern playback” dr. Franklina S. Coopera w Haskins Laboratories. System analizował zarejestrowaną mowę — pojedyncze słowo lub frazę — i rozkładał ją na składowe dźwiękowe, czyli tzw. „wzorce spektrograficzne”. Wzorce zapisywano na taśmie magnetycznej i odtwarzano jako syntetyczny odpowiednik oryginału.
W 1976 roku pojawił się pierwszy komercyjnie udany system text to speech — Kurzweil Reading Machine. Wykorzystywał technikę syntezy konkatenatywnej, łącząc wcześniej nagrane fonemy i słowa w zdania. Początkowo opracowany jako pomoc dla osób z niepełnosprawnościami, szybko zyskał popularność jako narzędzie do czytania.
Od 1978 roku Texas Instruments pracowało nad układem syntezy mowy wykorzystywanym w grach wideo i aplikacjach komputerowych. Układ opierał się na syntezie konkatenatywnej — nagrane dźwięki, tzw. difony, łączono w mowę przypominającą ludzką. Technologię tę później wykorzystano w systemie DECtalk — popularnym rozwiązaniu text to speech wysokiej jakości, wspierającym osoby z niepełnosprawnościami.
Nowoczesne systemy text to speech
Jedną z najważniejszych innowacji ostatnich lat jest wykorzystanie sieci neuronowych do generowania syntetycznej mowy. Firmy takie jak Google i Microsoft opracowały zaawansowane systemy TTS oparte na uczeniu głębokim, które analizują ogromne zbiory ludzkich głosów i generują naturalnie brzmiący dźwięk.
Kolejnym ważnym osiągnięciem w rozwoju TTS było zastosowanie technik wyboru jednostek oraz syntezy konkatenatywnej. Dzięki nim powstają bardziej realistyczne nagrania przez łączenie krótkich fragmentów nagranej mowy — difonów, a czasem nawet całych słów — w nowe zdania. Metody te wykorzystują popularne aplikacje TTS, takie jak Speechify, Siri od Apple czy Alexa od Amazona, a także starsze rozwiązania, takie jak IBM ViaVoice.
Technologia rozpoznawania mowy również bardzo się rozwinęła, co przyczyniło się do powstania bardziej zaawansowanych systemów TTS. Dzięki algorytmom rozpoznawania i transkrypcji mowy na tekst TTS może płynniej generować przejścia w syntetyzowanej wypowiedzi.
W ostatnich latach wprowadzono także obsługę prozodii i intonacji, co pozwala generować bardziej naturalną mowę z odpowiednimi pauzami, akcentami i tonem. Prozodia ma szczególne znaczenie w językach takich jak angielski, gdzie intonacja i akcent mogą zmieniać znaczenie zdania.
Uczenie głębokie i przyszłość technologii
Przyszłość technologii TTS zapowiada się niezwykle obiecująco. Dzięki rozwojowi sztucznej inteligencji i uczenia głębokiego syntetyczna mowa będzie jeszcze bardziej naturalna i zbliżona do ludzkiej, uwzględniając niuanse i subtelności wypowiedzi.
Szczególnie ważne będzie to dla rozwoju wirtualnych asystentów i chatbotów, które staną się bardziej konwersacyjne i umożliwią naturalniejszą interakcję z użytkownikiem.
Możemy też oczekiwać postępów w dziedzinie transkrypcji fonetycznej, czyli konwersji tekstu na fonemy. Wraz z rozwojem rozpoznawania i przetwarzania mowy przez maszyny skuteczność oraz dokładność systemów zamiany mowy na tekst będą stale rosły.
Wreszcie technologia text to speech stanie się jeszcze szerzej dostępna i mocniej zintegrowana z codziennym życiem. Wraz z rosnącą liczbą urządzeń działających w ramach Internetu rzeczy możliwe będzie sterowanie nimi głosem w czasie rzeczywistym, co znacznie ułatwi i usprawni codzienne czynności.
Dołącz do rewolucji text to speech ze Speechify
Szukasz zaawansowanego text to speech o naturalnym, wysokiej jakości brzmieniu? Poznaj Speechify.
Dzięki zaawansowanej technologii syntezy formantowej Speechify tworzy realistyczne, naturalnie brzmiące głosy — zupełnie inne niż robotyczne brzmienie dawnych systemów. Nawet wybitni autorzy, tacy jak Stephen Hawking — który kiedyś korzystał z TTS — byliby pod wrażeniem możliwości Speechify.
Korzystanie ze Speechify jest proste — odwiedź stronę internetową lub pobierz aplikację na telefon i wpisz swój tekst. Następnie wybierz głos, dostosuj tempo i wysokość, a Speechify wygeneruje świetnie brzmiącą narrację — idealną do e-learningu, filmów instruktażowych, podcastów czy prezentacji. Możesz też wybierać spośród szerokiej gamy AI-głosów do filmów na YouTube i innych treści w mediach społecznościowych.
Nie godź się na słabsze rozwiązania TTS — wypróbuj Speechify i poznaj przyszłość text to speech.
FAQ
Kto opracował pierwszy syntezator mowy?
Homer Dudley zaprojektował pierwszy syntezator mowy na początku lat 30. XX wieku w Bell Laboratories w Nowym Jorku.
Jaki jest cel syntezy mowy?
Celem syntezy mowy jest generowanie sztucznej wypowiedzi na podstawie tekstu z wykorzystaniem przetwarzania języka i analizy częstotliwości podstawowej.
Jakie są cztery zastosowania TTS?
TTS znajduje zastosowanie w dostępności, rozrywce, nauce języków oraz automatyzacji usług głosowych.
Jakie są zalety technologii text to speech?
Text to speech poprawia dostępność, wspiera naukę i zwiększa produktywność, umożliwiając odbiór treści tekstowych w formie dźwiękowej.
Który moment był najbardziej zaskakujący w rozwoju syntezy text to speech?
Jednym z najbardziej zaskakujących momentów w rozwoju syntezy text to speech było wynalezienie mechanicznego syntezatora przez Charlesa Wheatstone’a.
