Pretvorba besedila v govor (TTS) in sinteza govora se morda zdita povsem sodobni tehnologiji, vendar imata bogato zgodovino, ki sega več stoletij nazaj.
Od prvih poskusov posnemanja človeškega govora z mehanskimi napravami do današnje napredne umetne inteligence in modelov globokega učenja je razvoj TTS prava zgodba tehnološkega napredka.
V tem članku si bomo podrobneje ogledali zgodovino pretvorbe besedila v govor in sinteze govora ter raziskali razburljive možnosti prihodnosti.
Pretvorba besedila v govor in sinteza govora: od začetkov do danes
18. in 19. stoletje
Zgodovino pretvorbe besedila v govor in sinteze govora lahko spremljamo vse do 18. in 19. stoletja. V tem obdobju je bilo več zgodnjih poskusov sinteze govora, vsi pa so temeljili na mehanskih napravah. V 1770-ih je madžarski izumitelj Wolfgang von Kempelen razvil mehansko napravo, imenovano akustično-mehanski govorni stroj, zasnovano za posnemanje človeškega govornega trakta. Ta analogna naprava je z mehom, jezički in cevmi ustvarjala samoglasnike in soglasnike.
Proti koncu 18. stoletja je angleški fizik Charles Wheatstone izumil mehansko različico Kempelenovega govornega stroja, imenovano "govoreči stroj". Naprava je lahko poustvarjala zvoke različnih glasbil. Čeprav Wheatstonova naprava ni bila neposredno namenjena sintezi govora, je dodatno utrdila idejo o uporabi mehanske naprave za ustvarjanje zvoka.
V 19. stoletju so nastali še drugi stroji, med njimi Faberjev stroj "umetnega govora". Te naprave so združevale mehanske in pnevmatske sisteme za ustvarjanje govornih zvokov.
Začetek 20. stoletja in prva povsem elektronska sinteza govora
V začetku 20. stoletja je tehnologija sinteze govora napredovala z izumom prve povsem elektronske sinteze govora – vokoderja, ki ga je izumil Homer Dudley. Sistem so razvili v Bell Laboratories (Bell Labs) v New Jerseyju.
Dudleyjev vokoder je za ustvarjanje umetnega govora uporabljal niz resonatorjev in filtrov. Strokovnjaki so vokoder, imenovan Voder, predstavili na svetovni razstavi 1939–1940 v Flushing Meadowsu v New Yorku, kjer so napravo upravljali s tipkovnico in pedali za ustvarjanje govora.
Od začetka 50. do poznih 70. let – razmah sintetizatorjev
Leta 1951 je Dudleyjevo delo navdihnilo razvoj naprave pattern playback dr. Franklina S. Cooperja v laboratoriju Haskins. Sistem je analiziral posneti zvok, na primer izgovorjeno besedo ali stavek, in ga razstavil na osnovne zvočne valove oziroma "spektrografske vzorce". Ti vzorci so bili shranjeni na magnetnem traku in predvajani kot umetno ustvarjen posnetek izvirnega zvoka.
Leta 1976 je Kurzweil Reading Machine predstavil prvi komercialno uspešen sistem pretvorbe besedila v govor. Uporabljal je konkatenativno sintezo, s katero je združeval vnaprej posnete foneme in besede za ustvarjanje umetnega govora. Naprava je bila sprva namenjena osebam z invalidnostjo, a je kmalu postala priljubljen bralni pripomoček.
Leta 1978 je Texas Instruments začel razvijati čip za sintezo govora, primeren za videoigre in druge računalniške aplikacije. Čip je uporabljal konkatenativno sintezo, pri kateri so shranjeni glasovni zvoki oziroma difoni ustvarjali izhod, podoben človeškemu govoru. Ta tehnologija je bila pozneje uporabljena v sistemu DECtalk, ki je nudil kakovostno sintezo govora za osebe z invalidnostjo.
Sodobni sistemi pretvorbe besedila v govor
Ena najpomembnejših novosti v zadnjih letih je uporaba nevronskih mrež za ustvarjanje umetnega govora. Podjetja, kot sta Google in Microsoft, so razvila kakovostne TTS-sisteme, ki z algoritmi globokega učenja analizirajo velike baze človeških glasov in ustvarjajo naraven govor.
Pomemben napredek na področju TTS kot podporne tehnologije prinašata tudi izbira enot in konkatenativna sinteza. Ti metodi omogočata bolj realističen govor z združevanjem majhnih enot posnetega govora, kot so difoni ali celo cele besede, v nove stavke. Takšni postopki se uporabljajo v priljubljenih TTS-aplikacijah, kot so Speechify, Apple Siri, Amazon Alexa ter v starejših orodjih, kot je IBM ViaVoice.
Tudi tehnologija prepoznavanja govora je v zadnjih letih močno napredovala, kar omogoča še izpopolnjenejše TTS-sisteme. Z algoritmi za prepoznavanje govora lahko TTS-sistemi bolj naravno prehajajo med posameznimi deli sintetičnega govora.
V zadnjih letih opažamo tudi vključevanje prozodije in intonacije v TTS. To omogoča bolj naraven zven govora z ustreznimi premori, poudarki in tonom. Prozodija je še posebej pomembna za jezike, kot je angleščina, kjer naglas in intonacija pomembno vplivata na pomen stavka.
Globoko učenje in prihodnost tehnologije
Prihodnost tehnologije TTS je zelo obetavna. Z razvojem umetne inteligence in globokega učenja lahko pričakujemo še bolj naraven govor, ki bo posnemal vse odtenke človeškega glasu.
To bo še posebej koristno pri razvoju virtualnih asistentov in klepetalnih botov. Takšni sistemi bodo postali bolj pogovorni, uporabniki pa bodo z njimi komunicirali še bolj naravno.
Pričakujemo tudi napredek na področju fonetične transkripcije, znane tudi kot pretvorba besedila v foneme. Ob vedno boljšem razumevanju in prepoznavanju govora bodo sistemi za pretvorbo govora v besedilo še učinkovitejši in natančnejši.
Poleg tega bo tehnologija pretvorbe besedila v govor postajala vse dostopnejša in vse bolj vpeta v vsakdanje življenje. Z vedno več napravami, povezanimi v internet stvari, jih bomo lahko upravljali z glasom v realnem času, kar bo še povečalo učinkovitost in udobje.
Pridružite se revoluciji pretvorbe besedila v govor s Speechify
Če iščete zmogljivo storitev za pretvorbo besedila v govor, ki omogoča naraven in kakovosten govor, je Speechify prava izbira.
S svojo napredno tehnologijo formantne sinteze Speechify ustvarja realistične in naravno zveneče glasove, ki so daleč od robotskega govora iz preteklosti. Tudi priznani avtorji, kot je Stephen Hawking, ki je sam preizkušal tehnologijo pretvorbe besedila v govor, bi bili navdušeni nad zmogljivostmi Speechify.
Uporaba Speechify je preprosta – obiščite uradno spletno stran ali prenesite mobilno aplikacijo in vnesite želeno besedilo. Nato izberite glas, prilagodite hitrost in višino po svojih željah in že ste pripravljeni! Speechify ustvari izvrstno, naravno zvenečo naracijo, primerno za e-učenje, razlagalne videe, podcaste in predstavitve. Izbirate lahko tudi med široko paleto naravnih AI-glasov za YouTube in druge vsebine na družbenih omrežjih.
Ne zadovoljite se s slabšimi TTS-storitvami – preizkusite Speechify že danes in izkusite prihodnost tehnologije pretvorbe besedila v govor.
Pogosta vprašanja
Kdo je razvil prvi govorni sintetizator na svetu?
Homer Dudley je v zgodnjih 30. letih prejšnjega stoletja v Bell Laboratories v New Yorku zasnoval prvi govorni sintetizator na svetu.
Kakšen je namen sinteze govora?
Namen sinteze govora je ustvarjanje umetnega govora iz besedilnega vnosa z uporabo jezikovne obdelave in analize osnovnih frekvenc.
Kateri so štirje načini uporabe TTS?
TTS je uporaben za dostopnost, zabavo, učenje jezikov in avtomatizacijo govornih storitev.
Kakšne so prednosti pretvorbe besedila v govor?
Pretvorba besedila v govor izboljšuje dostopnost, pospešuje učenje in povečuje produktivnost, saj omogoča poslušanje pisnih vsebin.
Kaj je bilo najbolj presenetljivo v razvoju sinteze govora?
Eden najbolj presenetljivih mejnikov v razvoju sinteze govora je bil izum Wheatstonovega mehanskega govornega sintetizatorja.
