Technológie text to speech (TTS) a syntézy hlasu môžu pôsobiť ako novinka, no v skutočnosti majú dlhú históriu, ktorá siaha celé stáročia do minulosti.
Od prvých pokusov napodobniť ľudskú reč pomocou mechanických zariadení až po dnešné špičkové modely umelej inteligencie a hlbokého učenia je vývoj TTS fascinujúcou cestou.
V tomto článku sa podrobnejšie pozrieme na históriu technológií text to speech a syntézy hlasu a načrtneme aj ich budúce možnosti.
Text to speech a syntéza hlasu: od prvých pokusov po súčasné využitie
18. a 19. storočie
História technológie text to speech a syntézy hlasu siaha do 18. a 19. storočia. Práve v tomto období prebiehali prvé experimenty so syntézou reči pomocou mechanických zariadení. V 70. rokoch 18. storočia maďarský vynálezca Wolfgang von Kempelen vyvinul akusticko-mechanický rečový stroj určený na napodobnenie ľudského hlasového traktu. Toto analógové zariadenie využívalo mechy, jazýčky a rúry na tvorbu samohlások a spoluhlások.
Koncom 18. storočia anglický fyzik Charles Wheatstone vytvoril mechanickú verziu Kempelenovho hovoriaceho stroja, ktorú nazval „hovoriaci stroj“. Zariadenie dokázalo reprodukovať zvuky rôznych hudobných nástrojov. Hoci nebolo primárne určené na syntézu reči, ukázalo možnosti tvorby zvuku mechanickými prostriedkami.
V 19. storočí vznikli aj ďalšie zariadenia, napríklad Faberov „umelý rečový stroj“. Tieto prístroje využívali kombináciu mechanických a pneumatických systémov na tvorbu rečových zvukov.
Začiatok 20. storočia a prvá plne elektrická syntéza reči
Na začiatku 20. storočia sa technológia syntézy reči výrazne posunula vďaka vynálezu prvého plne elektrického systému – vokodéra Homera Dudleyho, ktorý vznikol v Bellových laboratóriách (Bell Labs) v New Jersey.
Dudleyho vokodér používal sériu rezonátorov a filtrov na tvorbu syntetickej reči. Systém známy ako Voder bol predstavený na svetovej výstave v rokoch 1939 – 1940 vo Flushing Meadows v New Yorku. Ovládal sa klávesnicou a pedálmi, pomocou ktorých generoval reč.
Od začiatku 50. rokov do konca 70. rokov – nástup syntetizátorov
V roku 1951 Dudleyho práca inšpirovala vznik zariadenia pattern playback od Dr. Franklina S. Coopera z Haskins Laboratories. Tento systém analyzoval nahrané slovo alebo frázu, rozkladal ich na spektrálne vzory a následne ich ukladal na magnetickú pásku, z ktorej sa prehrávala syntetická verzia pôvodného zvuku.
V roku 1976 firma Kurzweil predstavila prvý komerčne úspešný systém text to speech – Kurzweil Reading Machine. Využíval syntézu založenú na spájaní vopred nahratých foném a slov. Zariadenie bolo určené najmä pre ľudí so zdravotným postihnutím, no rýchlo sa rozšírilo aj ako čítacia pomôcka.
Od roku 1978 začala spoločnosť Texas Instruments vyvíjať čip na syntézu reči, využiteľný vo videohrách a ďalších počítačových aplikáciách. Čip používal syntézu založenú na spájaní nahratých rečových prvkov – difónov – aby vytváral výstup podobný ľudskému hlasu. Táto technológia bola neskôr použitá v zariadení DECtalk, ktoré poskytovalo vysokokvalitnú syntetickú reč pre ľudí s postihnutím.
Moderné systémy text to speech
Jednou z kľúčových inovácií posledných rokov je využitie neurónových sietí na generovanie syntetickej reči. Spoločnosti ako Google a Microsoft vytvorili pokročilé TTS systémy, ktoré pomocou hlbokého učenia analyzujú rozsiahle databázy ľudských hlasov a generujú prirodzene znejúci hlasový výstup.
Dôležitý pokrok v oblasti TTS ako asistívnej technológie priniesli aj techniky výberu jednotiek a syntézy spájaním. Umožňujú realistickejší výsledok tým, že spájajú krátke nahrané úseky reči, napríklad difóny alebo celé slová, do nových viet. Tieto technológie sa využívajú v populárnych TTS aplikáciách ako Speechify, Apple Siri, Amazon Alexa a aj v starších nástrojoch, ako IBM ViaVoice.
V posledných rokoch výrazne pokročila aj technológia rozpoznávania reči, čo umožňuje vznik dokonalejších TTS systémov. Vďaka algoritmom rozpoznávania reči, ktoré prevádzajú hovorené slová na text, dokážu TTS systémy vytvárať prirodzenejšie prechody v syntetizovanej reči.
V poslednom období sa viac využíva aj prozódia a intonácia, čo umožňuje prirodzenejšie znejúci výstup s vhodnými pauzami, dôrazom a tónom. Prozódia je obzvlášť dôležitá pre jazyky ako angličtina, kde dôraz a intonácia výrazne ovplyvňujú význam viet.
Hlboké učenie a ďalší vývoj: budúcnosť technológie
Budúcnosť TTS technológií je veľmi sľubná. S rozmachom umelej inteligencie a hlbokého učenia môžeme očakávať ešte prirodzenejšiu syntézu reči, ktorá dokáže verne napodobniť ľudskú reč aj s jej nuansami.
Obzvlášť užitočné to bude pri vývoji virtuálnych asistentov a chatbotov. Tieto systémy budú komunikovať prirodzenejšie a používatelia s nimi budú môcť viesť oveľa plynulejšie rozhovory.
Očakávame aj pokrok v oblasti fonetickej transkripcie, teda prevodu textu na fonémy. Ako budú stroje čoraz lepšie rozpoznávať a interpretovať ľudský hlas, presnosť a efektivita systémov speech-to-text bude ďalej rásť.
Technológia text to speech sa v blízkej budúcnosti ešte viac rozšíri a prenikne do každodenného života. Ako sa naše zariadenia prepájajú s internetom vecí, pribúda možností ich hlasového ovládania v reálnom čase, čo nám spríjemní a zefektívni život.
Pridajte sa k revolúcii text to speech so Speechify
Ak hľadáte výkonnú text to speech službu s prirodzeným a kvalitným hlasovým výstupom, vyskúšajte Speechify.
Speechify s využitím pokročilej technológie formantovej syntézy vytvára realistické a prirodzené hlasy – na rozdiel od robotického prejavu starších systémov. Dokonca aj renomovaní autori ako Stephen Hawking, ktorí kedysi pracovali s technológiou text to speech, by boli schopnosťami Speechify ohromení.
Používanie Speechify je jednoduché – stačí navštíviť oficiálnu webstránku alebo si stiahnuť mobilnú aplikáciu a vložiť požadovaný text. Potom si vyberiete hlas, upravíte rýchlosť či tón podľa potreby – a je to! Speechify vygeneruje skvelý a prirodzený hlas pre e-learning, vysvetľujúce videá, podcasty aj prezentácie. K dispozícii je aj široký výber AI hlasov ideálnych pre YouTube a sociálne siete.
Neuspokojte sa s nekvalitnými TTS službami – vyskúšajte Speechify ešte dnes a objavte budúcnosť technológie text to speech.
FAQ
Kto zostrojil prvý syntetizátor reči na svete?
Homer Dudley navrhol prvý syntetizátor reči na svete začiatkom 30. rokov v Bellových laboratóriách v New Yorku.
Aký je účel syntézy reči?
Cieľom syntézy reči je generovať umelú reč z textového vstupu pomocou spracovania jazyka a analýzy základných frekvencií.
Na čo všetko sa dá TTS využiť?
TTS možno využiť na zlepšenie prístupnosti, zábavu, výučbu jazykov a automatizáciu hlasových služieb.
Aké sú hlavné výhody text to speech?
Text to speech zlepšuje prístupnosť, podporuje učenie a zvyšuje produktivitu, pretože umožňuje prijímať písaný obsah v zvukovej podobe.
Čo bolo najprekvapivejším momentom v dejinách syntézy text to speech?
Jedným z najprekvapivejších momentov bol vynález mechanického syntetizátora reči od Charlesa Wheatstona.
