ประวัติเทคโนโลยีแปลงข้อความเป็นเสียงและการสังเคราะห์เสียง

เทคโนโลยีแปลงข้อความเป็นเสียง (TTS) และการสังเคราะห์เสียงอาจดูเหมือนเป็นเรื่องใหม่ แต่จริง ๆ แล้วมีประวัติยาวนานนับศตวรรษ

ตั้งแต่ความพยายามยุคแรกในการเลียนแบบเสียงมนุษย์ด้วยเครื่องกล ไปจนถึงปัญญาประดิษฐ์และโมเดล Deep Learning สมัยใหม่ การพัฒนา TTS นับว่าเป็นเส้นทางที่น่าทึ่งอย่างยิ่ง

บทความนี้จะพาคุณย้อนรอยประวัติของเทคโนโลยีแปลงข้อความเป็นเสียงและการสังเคราะห์เสียง พร้อมสำรวจโอกาสใหม่ ๆ ที่รออยู่ในอนาคต

เทคโนโลยีแปลงข้อความเป็นเสียงและการสังเคราะห์เสียง: จากจุดเริ่มต้นสู่การใช้งานในปัจจุบัน

ศตวรรษที่ 18 และ 19

ประวัติของเทคโนโลยีแปลงข้อความเป็นเสียงและการสังเคราะห์เสียงเริ่มต้นขึ้นในศตวรรษที่ 18 และ 19 จากความพยายามสังเคราะห์เสียงพูดด้วยเครื่องกลยุคแรก ๆ ในช่วงทศวรรษ 1770 Wolfgang von Kempelen นักประดิษฐ์ชาวฮังการีได้สร้างเครื่องกลไกเสียงเพื่อจำลองอวัยวะที่ใช้ในการออกเสียงของมนุษย์ อุปกรณ์นี้ใช้หีบลม ลิ้น และท่อเพื่อสร้างเสียงสระและพยัญชนะ

ช่วงปลายศตวรรษที่ 18 นักฟิสิกส์ชาวอังกฤษ Charles Wheatstone ได้พัฒนาต่อยอดจากเครื่องของ Kempelen เป็นอุปกรณ์ที่เรียกว่า "speaking machine" แม้อุปกรณ์นี้ไม่ได้ออกแบบมาเพื่อสังเคราะห์เสียงพูดโดยตรง แต่ก็แสดงให้เห็นแนวคิดสำคัญของการใช้เครื่องกลในการสร้างเสียง

เข้าสู่ศตวรรษที่ 19 ก็มีการพัฒนาอุปกรณ์เพิ่มเติม เช่น เครื่องพูดเทียมของ Faber ที่ผสานระบบกลไกและแรงลมเข้าด้วยกันเพื่อสร้างเสียงพูด

ต้นศตวรรษที่ 20 กับการสังเคราะห์เสียงด้วยไฟฟ้าอย่างเต็มรูปแบบ

ในช่วงต้นศตวรรษที่ 20 เทคโนโลยีการสังเคราะห์เสียงก้าวหน้าอย่างมาก จากการคิดค้นระบบสังเคราะห์เสียงด้วยไฟฟ้าอย่างเต็มรูปแบบเป็นครั้งแรก นั่นคือ vocoder ของ Homer Dudley ซึ่งพัฒนาขึ้นที่ Bell Laboratories (Bell Labs) ในรัฐนิวเจอร์ซีย์

vocoder ของ Dudley ใช้ตัวกรองและตัวเรโซเนเตอร์เพื่อสร้างเสียงสังเคราะห์ และมีการสาธิตในชื่อ Voder ที่งาน World’s Fair ปี 1939-1940 ณ Flushing Meadows ในนิวยอร์ก โดยควบคุมเสียงผ่านคีย์บอร์ดและแป้นเหยียบ

ช่วงต้นปี 1950 ถึงปลายปี 1970 – ยุครุ่งเรืองของซินธิไซเซอร์

ในปี 1951 งานวิจัยของ Dudley ได้รับการต่อยอดเป็นระบบ pattern playback โดย Dr. Franklin S. Cooper ที่ Haskins Laboratories ระบบนี้วิเคราะห์เสียงที่บันทึกไว้ เช่น คำพูด แล้วแปลงออกมาเป็นคลื่นเสียงหรือ "spectrographic patterns" ก่อนจะบันทึกและเล่นกลับเพื่อสร้างเสียงสังเคราะห์

ต่อมาในปี 1976 มีการเปิดตัวระบบแปลงข้อความเป็นเสียงเชิงพาณิชย์ระบบแรกผ่าน Kurzweil Reading Machine โดยใช้เทคนิคการสังเคราะห์แบบ concatenative หรือการนำหน่วยเสียงและคำที่บันทึกไว้ล่วงหน้ามาต่อกันเพื่อสร้างเสียงพูด ระบบนี้ถูกออกแบบมาเพื่อช่วยเหลือผู้พิการเป็นหลัก ก่อนจะได้รับความนิยมในฐานะเครื่องมือช่วยอ่าน

ตั้งแต่ปี 1978 เป็นต้นมา Texas Instruments ได้พัฒนาชิปสังเคราะห์เสียงสำหรับวิดีโอเกมและแอปพลิเคชันคอมพิวเตอร์อื่น ๆ โดยอาศัยเทคนิค concatenative synthesis ซึ่งผสมเสียงพูดที่บันทึกไว้ เช่น diphone เพื่อให้ได้เสียงที่ใกล้เคียงมนุษย์มากขึ้น ก่อนจะนำแนวทางนี้ไปใช้ต่อใน DECtalk ระบบแปลงข้อความเป็นเสียงประสิทธิภาพสูงสำหรับผู้พิการ

เทคโนโลยีแปลงข้อความเป็นเสียงยุคใหม่

หนึ่งในนวัตกรรมสำคัญของช่วงไม่กี่ปีที่ผ่านมา คือการใช้ neural network เพื่อสร้างเสียงพูดสังเคราะห์ บริษัทอย่าง Google และ Microsoft ได้พัฒนา TTS คุณภาพสูงที่อาศัย Deep Learning วิเคราะห์ข้อมูลเสียงมนุษย์จำนวนมาก เพื่อสร้างเสียงที่เป็นธรรมชาติมากขึ้น

อีกหนึ่งความก้าวหน้าคือการนำเทคนิค unit selection และ concatenative synthesis มาใช้ในเทคโนโลยีเพื่อการเข้าถึง ซึ่งช่วยให้ได้เสียงพูดที่สมจริงยิ่งขึ้น โดยนำหน่วยย่อยของเสียงที่บันทึกไว้ เช่น diphone หรือคำ มาประกอบเป็นประโยคใหม่ เทคนิคเหล่านี้ถูกใช้ในแอป TTS ยอดนิยม เช่น Speechify, Siri ของ Apple, Alexa ของ Amazon รวมถึงเครื่องมือรุ่นก่อนอย่าง IBM ViaVoice

ขณะเดียวกัน เทคโนโลยีรู้จำเสียงพูดก็พัฒนาไปมากในช่วงหลัง ทำให้ระบบ TTS ซับซ้อนและชาญฉลาดยิ่งขึ้น เมื่ออัลกอริทึมรู้จำเสียงสามารถถอดเสียงพูดเป็นข้อความได้ดีขึ้น ระบบก็ยิ่งสร้างเสียงตอบกลับได้เป็นธรรมชาติมากขึ้นตามไปด้วย

ปัจจุบันยังมีความก้าวหน้าในการผสานโทนเสียงและจังหวะการพูด (prosody & intonation) เข้าไปในระบบ เพื่อให้เสียงพูดฟังเป็นธรรมชาติยิ่งขึ้น ทั้งการเว้นจังหวะ การเน้นเสียง และการใช้โทนที่เหมาะสม ซึ่ง prosody มีความสำคัญมาก โดยเฉพาะในภาษาอังกฤษที่การเน้นเสียงส่งผลต่อความหมาย

Deep Learning และอนาคต: ทิศทางของเทคโนโลยี

อนาคตของเทคโนโลยี TTS เต็มไปด้วยความเป็นไปได้ใหม่ ๆ ด้วยการพัฒนาของ AI และ Deep Learning เราจะได้ยินเสียงพูดที่ใกล้เคียงมนุษย์มากขึ้น และถ่ายทอดอารมณ์ได้ละเอียดขึ้น

หนึ่งในการใช้งานสำคัญคือผู้ช่วยเสมือนและแชทบอท ซึ่งจะสามารถสนทนาได้อย่างเป็นธรรมชาติมากขึ้น จนผู้ใช้โต้ตอบได้ใกล้เคียงกับการพูดคุยกับมนุษย์จริง

นอกจากนี้ ยังมีแนวโน้มว่าจะเกิดความก้าวหน้าในระบบถอดรหัสเสียง (phonetic transcription/text-to-phoneme) ซึ่งเมื่อเครื่องเข้าใจเสียงพูดของมนุษย์ได้แม่นยำยิ่งขึ้น ประสิทธิภาพและความถูกต้องของระบบแปลงเสียงเป็นข้อความก็จะดีขึ้นตามไปด้วย

ท้ายที่สุด เทคโนโลยีแปลงข้อความเป็นเสียงจะเข้ามาเป็นส่วนหนึ่งของชีวิตประจำวันมากขึ้น เมื่ออุปกรณ์ต่าง ๆ เชื่อมต่อกับ Internet of Things เราจะสั่งงานด้วยเสียงได้แบบเรียลไทม์ ช่วยให้ชีวิตสะดวกและมีประสิทธิภาพยิ่งกว่าเดิม

ร่วมสัมผัสอนาคตของเทคโนโลยีแปลงข้อความเป็นเสียงกับ Speechify

หากคุณกำลังมองหาบริการ แปลงข้อความเป็นเสียง คุณภาพสูงที่ให้เสียงบรรยายสมจริง Speechify คืออีกหนึ่งตัวเลือกที่ตอบโจทย์

ด้วยเทคโนโลยี formant synthesis ขั้นสูง Speechify สามารถสร้างเสียงพูดที่ฟังดูเป็นธรรมชาติ แตกต่างจากเสียงสังเคราะห์แบบหุ่นยนต์ในอดีต

ใช้งาน Speechify ได้ง่าย ๆ เพียงเข้า เว็บไซต์ หรือดาวน์โหลดแอปพลิเคชันบนมือถือ ใส่ข้อความที่ต้องการ เลือกเสียง แล้วปรับความเร็วและระดับเสียงตามต้องการ เพียงเท่านี้ Speechify ก็สามารถสร้างเสียงบรรยายสมจริงสำหรับ e-learning, วิดีโออธิบาย, พอดแคสต์ และ งานนำเสนอ ได้ทันที คุณยังสามารถเลือกเสียง AI สมจริงสำหรับคลิป YouTube และคอนเทนต์บนโซเชียลมีเดียอื่น ๆ ได้อีกด้วย

อย่าพลาดประสบการณ์ TTS คุณภาพสูง ลองใช้ Speechify วันนี้ แล้วสัมผัสเทคโนโลยีแปลงข้อความเป็นเสียงยุคใหม่

คำถามที่พบบ่อย

ใครคือผู้พัฒนาเครื่องสังเคราะห์เสียงพูดเครื่องแรกของโลก?

Homer Dudley เป็นผู้ออกแบบเครื่องสังเคราะห์เสียงพูดเครื่องแรกของโลกในช่วงต้นทศวรรษ 1930 ที่ Bell Laboratories ในนิวยอร์ก

จุดประสงค์ของการสังเคราะห์เสียงพูดคืออะไร?

การสังเคราะห์เสียงพูดมีเป้าหมายเพื่อสร้างเสียงพูดเทียมจากข้อความ โดยอาศัยกระบวนการประมวลผลภาษาและการวิเคราะห์เสียง

TTS สามารถนำไปใช้ประโยชน์ในด้านใดได้บ้าง?

TTS นำไปใช้ได้ทั้งด้านการช่วยการเข้าถึงข้อมูล ความบันเทิง การเรียนภาษา และระบบอัตโนมัติที่สั่งงานด้วยเสียง

ข้อดีของเทคโนโลยีแปลงข้อความเป็นเสียงมีอะไรบ้าง?

เทคโนโลยีแปลงข้อความเป็นเสียงช่วยให้เข้าถึงข้อมูลได้ง่ายขึ้น ส่งเสริมการเรียนรู้ และเพิ่มประสิทธิภาพการทำงานด้วยการเปลี่ยนข้อความให้เป็นเสียงพูด

เหตุการณ์ใดที่น่าทึ่งที่สุดในประวัติศาสตร์เทคโนโลยีแปลงข้อความเป็นเสียง?

หนึ่งในเหตุการณ์สำคัญที่น่าทึ่งที่สุดคือการประดิษฐ์เครื่องสังเคราะห์เสียงแบบกลไกของ Charles Wheatstone