Синтез речи (text to speech, TTS) и голосовые технологии могут казаться чем-то новым, однако их история насчитывает несколько столетий.
От первых попыток имитировать человеческую речь с помощью механических устройств до современных нейросетей и моделей глубокого обучения — развитие TTS прошло долгий и захватывающий путь.
В этой статье мы подробно рассмотрим историю text to speech и синтеза речи, а также перспективы их дальнейшего развития.
Синтез речи и text to speech: от первых экспериментов до современных решений
XVIII и XIX века
История text to speech и синтеза речи уходит корнями в XVIII и XIX века. Именно тогда проводились первые эксперименты по синтезу речи с использованием механических устройств. В 1770-х годах венгерский изобретатель Вольфганг фон Кемпелен создал акустико-механическую речевую машину, воспроизводившую работу человеческого голосового тракта. Это аналоговое устройство использовало меха, язычки и трубки для создания гласных и согласных звуков.
В конце XVIII века английский физик Чарльз Уитстон создал более совершенную механическую версию речевой машины Кемпелена, которую назвал «говорящей машиной». Устройство могло воспроизводить звуки различных музыкальных инструментов. Хотя аппарат Уитстона и не был разработан специально для синтеза речи, он помог развить идею механической генерации голосовых звуков.
В XIX веке появились и другие устройства, включая «искусственную речь» Фабера. Они сочетали механические и пневматические системы для создания речевых звуков.
Начало XX века и первый полностью электрический синтезатор речи
В начале XX века технологии синтеза речи стали заметно совершеннее — появился первый полностью электрический синтезатор речи, «вокодер» Гомера Дадли. Эта система была создана в Bell Laboratories (Bell Labs) в Нью-Джерси.
Вокодер Дадли использовал резонаторы и фильтры для генерации синтетической речи. Устройство под названием Voder было представлено публике на Всемирной выставке 1939–1940 годов в парке Флашинг-Медоуз в Нью-Йорке. Управление осуществлялось с помощью клавиатуры и педалей.
Начало 1950-х — конец 1970-х: развитие синтезаторов
В 1951 году на основе идей Дадли в лаборатории Haskins под руководством доктора Франклина С. Купера был создан прибор «pattern playback». Система анализировала записанный голос — например, отдельное слово или фразу, — и разбивала сигнал на составляющие звуковые волны, или «спектрографические паттерны». Затем эти шаблоны записывались на магнитную ленту и воспроизводились как синтетическая версия исходного звука.
В 1976 году компания Kurzweil представила первое коммерчески успешное устройство text to speech — «Kurzweil Reading Machine». В его основе лежал конкатенативный синтез, при котором заранее записанные фонемы и слова объединялись для генерации синтетической речи. Изначально система предназначалась для помощи людям с инвалидностью, но быстро получила распространение как устройство для чтения.
С 1978 года компания Texas Instruments начала разрабатывать микросхему для синтеза речи, пригодную для видеоигр и других компьютерных приложений. Чип использовал конкатенативный синтез, объединяя записанные дифоны для создания реалистичной речи. Позднее эта технология легла в основу системы DECtalk, обеспечивавшей высококачественный синтез речи для людей с ограниченными возможностями.
Современные системы синтеза речи
В последние годы ключевым прорывом стало использование нейронных сетей для генерации синтетической речи. Компании Google и Microsoft разработали современные TTS-системы, которые с помощью алгоритмов глубокого обучения анализируют огромные массивы голосовых данных и создают естественно звучащую речь.
Важным этапом в развитии вспомогательных TTS-технологий также стал переход к методам unit selection и конкатенативному синтезу. Эти подходы позволяют добиваться более реалистичного звучания, комбинируя небольшие элементы записанной речи — дифоны или целые слова, — чтобы создавать новые предложения. Такие методы используются в современных TTS-приложениях, включая Speechify, Siri от Apple и Alexa от Amazon, а также в более ранних решениях, таких как IBM ViaVoice.
Заметный прогресс в последние годы показали и технологии распознавания речи, благодаря чему TTS-системы стали ещё совершеннее. В сочетании с алгоритмами преобразования устной речи в текст TTS обеспечивает более естественные переходы при синтезе аудио.
В последние годы также стало возможным точнее передавать просодию и интонацию в синтезе речи. Это делает звучание более естественным, с правильными паузами, акцентами и интонационными оттенками. Просодия особенно важна для английского и других языков, где ударение и мелодика существенно влияют на смысл высказывания.
Глубокое обучение и дальнейшее развитие технологий
Будущее синтеза речи и TTS выглядит многообещающе. Благодаря развитию искусственного интеллекта и глубокого обучения можно ожидать ещё более естественного и выразительного синтеза, способного точно передавать нюансы живого голоса.
Особенно большие перспективы это открывает для виртуальных ассистентов и чат-ботов. Такие системы станут ещё более разговорными, а взаимодействие с пользователем — ещё ближе к живому общению.
Ожидаются и новые достижения в области фонетической транскрипции (text-to-phoneme). По мере того как машины всё лучше распознают и интерпретируют устную речь, точность и эффективность систем распознавания и синтеза речи будут только расти.
Кроме того, технология синтеза речи будет всё шире использоваться в повседневной жизни. С развитием интернета вещей (IoT) мы сможем управлять различными устройствами голосом в реальном времени, что сделает жизнь удобнее и эффективнее.
Присоединяйтесь к революции синтеза речи со Speechify
Если вам нужно современное решение text to speech с высоким качеством и естественным звучанием, попробуйте Speechify.
Благодаря технологии формантного синтеза Speechify создаёт реалистичные, живые голоса, выгодно отличаясь от более старых роботизированных TTS-систем. Даже такие известные учёные, как Стивен Хокинг, использовавшие TTS, наверняка оценили бы возможности Speechify.
Начать работу с Speechify просто: перейдите на официальный сайт или скачайте мобильное приложение, введите текст, выберите подходящий голос, настройте скорость и высоту тона. Готово! Speechify озвучит ваш текст естественно — для e-learning, объясняющих роликов, подкастов и презентаций. Также доступна подборка AI-голосов для YouTube и других соцсетей.
Не довольствуйтесь посредственными TTS-сервисами — попробуйте Speechify уже сегодня и откройте для себя будущее синтеза речи.
FAQ
Кто создал первый в мире синтезатор речи?
Первый в мире синтезатор речи создал Гомер Дадли в начале 1930-х годов в Bell Laboratories.
Для чего нужен синтез речи?
Синтез речи преобразует текст в искусственно сгенерированную речь с помощью языкового анализа и анализа фундаментальной частоты.
Какие есть четыре способа применения TTS?
TTS используется для обеспечения доступности, в развлекательных целях, при изучении языков и для автоматизации голосовых сервисов.
Каковы преимущества синтеза речи?
Синтез речи повышает доступность, помогает в обучении и повышает продуктивность, позволяя слушать текстовые материалы.
Какой момент оказался самым удивительным в развитии синтеза речи?
Одним из самых удивительных событий в истории синтеза речи стало изобретение механического синтезатора речи Чарльзом Уитстоном.
