Text-till-tal (TTS) och röstsyntes kan verka som ny teknik, men har faktiskt en lång historia som sträcker sig flera hundra år tillbaka.
Från de tidigaste försöken att efterlikna mänskligt tal med mekaniska apparater till dagens avancerade artificiella intelligens och djupinlärningsmodeller har utvecklingen av TTS varit en fascinerande resa.
I den här artikeln fördjupar vi oss i historien bakom text-till-tal och röstsyntes och utforskar de spännande möjligheterna framöver.
Text-till-tal och röstsyntes: från tidig utveckling till modern användning
1700- och 1800-talet
Historien om text-till-tal och röstsyntes kan spåras tillbaka till 1700- och 1800-talen. Under den här perioden gjordes flera tidiga försök till talsyntes, alla med hjälp av mekaniska anordningar. På 1770-talet utvecklade ungraren Wolfgang von Kempelen en mekanisk apparat, kallad den akustisk-mekaniska talmaskinen, för att simulera människans talorgan. Denna analoga maskin använde bälgar, rörblad och rör för att skapa vokal- och konsonantljud.
I slutet av 1700-talet skapade den engelske fysikern Charles Wheatstone en vidareutvecklad version av Kempelens talmaskin, som han kallade "den talande maskinen". Enheten kunde återskapa ljud från olika musikinstrument. Även om Wheatstones maskin inte var avsedd för talsyntes stärkte den idén om att använda mekanik för att framställa ljud.
Under 1800-talet utvecklades flera andra anordningar, som Fabers "artificiella tal"-maskin. Dessa använde en kombination av mekaniska och pneumatiska system för att skapa tal.
Början av 1900-talet och den första helt elektriska talsyntesen
I början av 1900-talet blev talsyntestekniken mer avancerad med uppfinningen av det första helt elektriska talsyntessystemet – vocodern av Homer Dudley. Systemet utvecklades på Bell Laboratories (Bell Labs) i New Jersey.
Dudleys vocoder använde resonatorer och filter för att skapa syntetiskt tal. Systemet, kallat Voder, visades upp på världsutställningen i New York 1939–1940. Maskinen styrdes med hjälp av ett tangentbord och fotpedaler för att producera tal.
Tidigt 1950-tal till sent 1970-tal – syntesatorernas framväxt
År 1951 inspirerade Dudleys arbete utvecklingen av pattern playback av Dr. Franklin S. Cooper vid Haskins Laboratories. Systemet analyserade inspelade ljud, till exempel ett uttalat ord, och bröt ner dem i ljudvågor eller "spektrogrammönster". Dessa lagrades på magnetband och spelades upp som syntetiskt ljud.
1976 lanserades det första kommersiellt framgångsrika text-till-tal-systemet av Kurzweil Reading Machine. Systemet använde konkatenerad syntes, där förinspelade fonem och ord kombinerades till syntetiskt tal. Apparaten var främst framtagen för personer med funktionsnedsättning, men blev snabbt populär som läshjälpmedel.
Från 1978 började Texas Instruments arbeta med ett talsynteschip för dataspel och datorapplikationer. Chipet använde konkatenerad syntes där inspelade taldelar, eller difoner, kombinerades för att skapa tal. Denna teknik användes senare i DECtalk, ett text-till-tal-system som gav personer med funktionsnedsättning tillgång till syntetiska röster av hög kvalitet.
Moderna text-till-tal-system
En av de viktigaste innovationerna de senaste åren är användningen av neurala nätverk för att generera syntetiskt tal. Företag som Google och Microsoft har utvecklat avancerade TTS-system med djupinlärning och stora mängder mänskliga röstdata för att skapa naturligt tal.
En annan viktig utveckling inom TTS som hjälpmedel är metoder för enhetsval och konkatenerad syntes. Dessa möjliggör mer realistiskt tal genom att kombinera små ljuddelar, som difoner eller hela ord, till nya meningar. Sådana tekniker används i populära TTS-appar som Speechify, Apples Siri och Amazons Alexa samt i äldre verktyg som IBM ViaVoice.
De senaste årens stora framsteg inom taligenkänning har också lett till mer sofistikerade TTS-system. Med taligenkänningsalgoritmer som transkriberar mänskligt tal till text kan TTS-system ge naturligare övergångar i det syntetiska talet.
De senaste åren har även prosodi och intonation integrerats i TTS, vilket ger ett naturligare tal med rätt pauser, betoning och tonläge. Prosodi är särskilt viktig i språk som engelska, där betoning och intonation påverkar betydelsen.
Djupinlärning och framåt: framtiden för tekniken
Framtiden för TTS-teknik är både lovande och spännande. Med artificiell intelligens och djupinlärning kan vi förvänta oss ännu mer naturtroget syntetiskt tal som fångar människans nyanser.
Ett område där detta får särskilt stort genomslag är virtuella assistenter och chattbotar. De blir allt mer samtalsinriktade, vilket gör att användarna kan interagera mer naturligt.
Vi kan också vänta oss framsteg inom fonetisk transkription, även kallad text-till-fonem-omvandling. När maskiner blir bättre på att tolka tal förbättras också precisionen och effektiviteten i tal-till-text-system.
Slutligen kommer text-till-tal-teknik sannolikt att bli ännu mer tillgänglig och integrerad i vår vardag. När fler enheter kopplas till Internet of Things kan vi styra dem med rösten i realtid för ökad bekvämlighet och effektivitet.
Gå med i text-till-tal-revolutionen med Speechify
Om du söker en kraftfull text-till-tal-tjänst med naturligt och högkvalitativt tal behöver du inte leta längre än Speechify.
Tack vare avancerad talsyntesteknik skapar Speechify realistiska, naturliga röster — långt ifrån de gamla robotliknande rösterna. Till och med framstående profiler som Stephen Hawking, som själv använde text-till-tal, hade sannolikt imponerats av Speechifys funktioner.
Speechify är enkelt att använda – besök bara webbplatsen eller ladda ner appen och skriv in din text. Välj sedan en röst och justera hastighet och tonläge efter behov — klart! Speechify ger dig naturligt tal för e-learning, explainer-videor, poddar och presentationer. Du hittar även AI-röster för YouTube och sociala medier.
Nöj dig inte med medioker TTS – prova Speechify i dag och upplev framtiden för text-till-tal-teknik.
FAQ
Vem utvecklade världens första talsyntes?
Homer Dudley utvecklade världens första talsyntes under 1930-talet på Bell Laboratories i New Jersey.
Vad är syftet med talsyntes?
Talsyntes används för att generera konstgjort tal från text med hjälp av språkbehandling och grundläggande frekvensanalys.
Vilka är fyra användningsområden för TTS?
TTS används för tillgänglighet, underhållning, språkinlärning och automatisering av röstbaserade tjänster.
Vilka är några fördelar med text-till-tal?
Text-till-tal kan förbättra tillgängligheten, underlätta lärande och öka produktiviteten genom att låta användare ta del av innehåll genom att lyssna.
Vad har varit den mest överraskande milstolpen i TTS-utvecklingen?
En av de mest oväntade milstolparna i TTS-utvecklingen var uppfinningen av Charles Wheatstones mekaniska talsyntes.
