Mnohí ľudia denne využívajú služby prevodu textu na reč a virtuálnych asistentov. Často však netušia, že tieto dva typy nástrojov majú veľa spoločného v tom, ako fungujú. S vylepšovaním technológií rastie aj kvalita aplikácií, ktoré používame každý deň.
To isté platí pre TTS aplikácie a virtuálnych asistentov. Niekoľko spoločností v tomto odbore výrazne vyniká a jednou z nich je Google vďaka technológii WaveNet.
Čo je Google WaveNet?
WaveNet je umelá neurónová sieť navrhnutá na generovanie surového zvuku. Za technológiou stojí tím DeepMind z Londýna, špecializujúci sa na umelú inteligenciu. Zavedenie tejto technológie zásadne zmenilo platformu Google Cloud a posunulo ju na novú úroveň.
Jednou z hlavných výhod, ktoré DeepMind priniesol oproti starším systémom prevodu textu na reč, je lepší zvuk. Keď bola technológia predstavená v roku 2016, TTS systémy ešte nedokázali vytvárať prirodzene znejúci hlas.
WaveNet prevod textu na reč ich vo všetkom prekonal. Základ tejto technológie je jednoduchý. Softvér dokáže použiť surové zvukové súbory ako WAV a ťaží z prepojenia s Google API a API kľúčom.
Dnes máme vďaka zložitým algoritmom mnoho spôsobov, ako túto technológiu využiť. Viaceré firmy na svete súperia o to, kto prinesie lepší produkt. A to je pre používateľov výhodné – viac možností znamená jednoduchší výber programu podľa vlastných potrieb.
Ako WaveNet funguje
WaveNet je verzia FNN alebo doprednej neurónovej siete, známej aj ako hlboká konvolučná neurónová sieť. CNN prijíma surový signál ako vstup a dokáže potom syntetizovať výstup vzorku po vzorke.
Základom všetkého je strojové učenie, spracovanie prirodzeného jazyka, hlboké učenie a strojová inteligencia. Predchádzajúce generácie TTS aplikácií vytvárali databázu foném a aplikácia potom vybrala tú najlepšiu, alebo aspoň najpodobnejšiu požadovanému zvuku.
Poskladať takúto skladačku však nie je ľahké. Softvér musí pochopiť, ako jazyk funguje, vrátane rytmu a dynamiky, inak zvuk z reproduktora neznie prirodzene.
Rovnako ako väčšina TTS programov, aj WaveNet používa skutočné zvukové vlny – napr. parametrické alebo konkatenatívne. Vďaka tomu dokáže softvér analyzovať jazykové (zvukové) pravidlá a to, ako sa časom menia.
Týmto spôsobom dokáže program vytvárať vzory, ktoré znejú ako ľudská reč na základe rečových vzoriek. Pôsobivé je, že softvér vždy generuje výstup podľa zadaných údajov.
Čo to znamená v praxi: Ak hovoríte napríklad po taliansky, dokáže vám softvér pomôcť vygenerovať taliansku reč. To bola v čase uvedenia veľká zmena a otvorila cestu ďalším TTS API.
Príklady použitia WaveNet-u
Keď Google túto technológiu predstavil, na použitie v praxi bol potrebný mimoriadne vysoký výkon. To sa v nasledujúcich rokoch zmenilo. API najskôr poháňalo hlasy Google Asistenta, ktorý je dostupný na rôznych platformách.
WaveNet je skvelé riešenie, ak hľadáte TTS softvér. Hlas znie realisticky, takže celkový zážitok je oveľa príjemnejší. Vďaka nemu môžete počúvať najnovšie správy, podcasty či ľubovoľný obsah.
A to je len začiatok. Celý proces navyše môže pomôcť ľuďom s poruchou reči získať späť hlas. Syntéza reči, teda napodobňovanie hlasu, má obrovský potenciál. Napríklad ľudia, ktorí prišli o hlas, môžu teoreticky použiť svoju hlasovú vzorku a prepojiť ju s TTS nástrojmi – a tak získať späť svoj hlas.
Zatiaľ presne nevieme, čo všetko TTS programy v budúcnosti prinesú, ale vyzerá to sľubne. Najlepšie je, že na TTS produktoch pracuje mnoho rôznych firiem.
Keď všetci pracujú na rovnakom cieli, je väčšia šanca na výnimočné výsledky.
Speechify – Syntéza reči
Medzi aplikáciami, ktoré by ste mali vyskúšať, je aj Speechify. Je to TTS aplikácia, ktorú môžete používať prakticky na akomkoľvek zariadení: iOS, Android, Mac alebo ako rozšírenie pre Google Chrome.
Speechify zvládne akýkoľvek obsah. Prečíta vám PDF, dokumenty, emaily či akýkoľvek súbor v zariadení. Medzi hlavné výhody patrí univerzálnosť a možnosť prispôsobenia.
Môžete meniť rýchlosť čítania, vybrať si rôzne hlasy, upraviť intonáciu a podobne. Speechify ponúka aj OCR funkciu – môžete odfotiť knihu a aplikácia ju prečíta.
Aplikácia je určená pre ľudí s dyslexiou, ADD, tých, čo sa učia nový jazyk, alebo kohokoľvek, kto chce byť pri čítaní produktívnejší. Je to all-in-one aplikácia, ktorá zmení váš pohľad na čítanie.
Speechify sa ľahko používa a nepotrebujete žiadny rozsiahly návod.
FAQ
Na čo sa WaveNet používa?
Je to hlboká neurónová sieť schopná generovať surový zvuk. Ide o syntézu reči s realistickými hlasmi WaveNet, ktorú možno trénovať na reálnych nahrávkach. Vďaka tomu prekonala Google Cloud TTS.
Dnes sa softvér používa na hlasy Asistenta Google.
Čo je model WaveNet?
Model je založený na architektúre PixelCNN. Na zvládanie veľkých závislostí pri generovaní výstupu používa architektúra rozšírené kauzálne konvolúcie.
Pridanie rozšírených CNN umožňuje rýchlejšie a jednoduchšie učenie, pričom siaha až tisíc vrstiev dozadu v čase. Dokáže tiež pracovať až 20-krát rýchlejšie než v reálnom čase.
Aký je rozdiel medzi WaveNet a konvolučnými neurónovými sieťami?
Softvér je postavený na hlbokej konvolučnej neurónovej sieti (CNN). WaveNet je len jedným z jej použití. Podobnú technológiu využívajú Microsoft, Amazon (aj so SSML). Výsledkom je vysoká kvalita a skvelé výsledky.
Ak hľadáte najlepší TTS, siahnite po Speechify. Hoci iné platformy prinášajú výhody, Speechify je jednoduchý, funguje bez problémov zadarmo a intuitívny na prevod textu na reč.
