Text to speech (TTS) và tổng hợp giọng nói tưởng như là công nghệ mới, nhưng thực ra đã có lịch sử phong phú kéo dài hàng thế kỷ.
Từ những nỗ lực đầu tiên nhằm bắt chước tiếng nói con người bằng thiết bị cơ học đến các mô hình trí tuệ nhân tạo và học sâu hiện đại, quá trình phát triển của TTS là một hành trình đầy hấp dẫn.
Bài viết này sẽ cùng bạn tìm hiểu sâu hơn về lịch sử của text to speech và tổng hợp giọng nói, cũng như những cơ hội đầy hứa hẹn trong tương lai.
Text to speech và tổng hợp giọng nói: từ những ngày đầu đến các ứng dụng hiện đại
Thế kỷ 18 và 19
Lịch sử của text to speech và tổng hợp giọng nói bắt đầu từ thế kỷ 18 và 19. Trong giai đoạn này, đã có nhiều thử nghiệm về tổng hợp giọng nói bằng thiết bị cơ học. Vào những năm 1770, Wolfgang von Kempelen, một nhà phát minh người Hungary, đã phát triển một thiết bị phát âm cơ-âm học để mô phỏng bộ máy phát âm của con người. Thiết bị này sử dụng bầu hơi, ống sáo và dây đồng để tạo ra các nguyên âm và phụ âm.
Cuối thế kỷ 18, nhà vật lý người Anh Charles Wheatstone đã chế tạo một phiên bản cơ học hơn của máy phát âm của Kempelen, mà ông gọi là “máy phát tiếng nói”. Thiết bị này có thể tái tạo âm thanh của nhiều loại nhạc cụ khác nhau. Dù không được thiết kế riêng cho tổng hợp giọng nói, phát minh của Wheatstone đã củng cố ý tưởng dùng máy móc cơ học để tạo ra âm thanh.
Sang thế kỷ 19, nhiều thiết bị khác tiếp tục ra đời, trong đó có “máy phát âm nhân tạo” của Faber. Những thiết bị này kết hợp hệ thống cơ học và khí nén để tạo ra âm thanh giọng nói.
Đầu thế kỷ 20 và những hệ thống tổng hợp giọng nói điện tử đầu tiên
Đầu thế kỷ 20, công nghệ tổng hợp giọng nói trở nên tiên tiến hơn nhờ sự ra đời của hệ thống tổng hợp giọng nói điện tử đầu tiên – bộ mã hóa giọng nói (vocoder) của Homer Dudley. Hệ thống này được phát triển tại Bell Labs ở New Jersey.
Bộ mã hóa giọng nói của Dudley sử dụng chuỗi cộng hưởng và bộ lọc để tạo ra giọng nói tổng hợp. Thiết bị này, mang tên Voder, đã được trình diễn tại Hội chợ Thế giới 1939-1940 ở Flushing Meadows, New York. Các chuyên gia vận hành máy bằng bàn phím và bàn đạp để tạo ra giọng nói.
Đầu những năm 1950–cuối thập niên 1970: thời kỳ bùng nổ của bộ tổng hợp âm thanh
Năm 1951, công trình của Dudley đã truyền cảm hứng cho hệ thống pattern playback do TS Franklin S. Cooper phát triển tại Phòng thí nghiệm Haskins. Hệ thống này phân tích âm thanh ghi lại, chẳng hạn như một từ hoặc cụm từ, rồi tách thành các sóng âm cấu phần, gọi là “mẫu quang phổ”. Những mẫu này được lưu trên băng từ rồi phát lại để tạo ra phiên bản tổng hợp của âm thanh gốc.
Năm 1976, hệ thống text to speech thương mại thành công đầu tiên được giới thiệu qua Kurzweil Reading Machine. Hệ thống này sử dụng kỹ thuật tổng hợp ghép nối, ghép các âm vị và từ đã được thu sẵn để tạo thành giọng nói tổng hợp. Thiết bị ban đầu được thiết kế cho người khuyết tật, nhưng nhanh chóng trở nên nổi tiếng như một công cụ hỗ trợ đọc.
Từ năm 1978, Texas Instruments phát triển chip tổng hợp giọng nói cho trò chơi điện tử và các ứng dụng máy tính khác. Chip này cũng dùng phương pháp tổng hợp ghép nối, kết hợp các âm thanh đã ghi sẵn (diphones) để tạo ra đầu ra gần với giọng người. Về sau, công nghệ này được dùng trong DECtalk, một hệ thống text to speech chất lượng cao hỗ trợ người khuyết tật.
Các hệ thống text to speech hiện đại
Một trong những đổi mới quan trọng gần đây là việc sử dụng mạng nơ-ron để tạo ra giọng nói tổng hợp. Các công ty như Google và Microsoft đã xây dựng những hệ thống TTS chất lượng cao, dùng thuật toán học sâu để phân tích lượng lớn dữ liệu giọng nói của con người và tạo ra giọng đọc tự nhiên hơn.
Một bước tiến quan trọng khác của TTS trong vai trò công nghệ hỗ trợ là việc ứng dụng kỹ thuật tổng hợp ghép nối và lựa chọn đơn vị. Các phương pháp này tạo ra đầu ra chân thực hơn bằng cách kết hợp các đơn vị nhỏ của lời nói đã được ghi sẵn, như diphone hoặc cả từ hoàn chỉnh, để tạo câu mới. Những kỹ thuật này được dùng trong nhiều ứng dụng TTS nổi tiếng như Speechify, Siri của Apple, Alexa của Amazon và cả các công cụ trước đây như IBM ViaVoice.
Công nghệ nhận dạng giọng nói cũng đã đạt nhiều bước tiến vượt bậc trong những năm gần đây, góp phần hỗ trợ các hệ thống TTS hiện đại. Khi dùng thuật toán nhận dạng để chuyển lời nói thành văn bản, các hệ thống TTS có thể tạo ra sự chuyển tiếp tự nhiên hơn trong giọng nói tổng hợp.
Gần đây, việc tích hợp ngữ điệu và đặc điểm ngữ âm cũng giúp giọng nói tổng hợp trở nên tự nhiên hơn, với nhấn nhá và ngắt nghỉ phù hợp. Ngữ điệu đặc biệt quan trọng với các ngôn ngữ như tiếng Anh, nơi trọng âm và nhịp điệu ảnh hưởng lớn đến ý nghĩa câu nói.
Học sâu và hơn thế nữa: Tương lai của công nghệ
Tương lai của công nghệ TTS rất hứa hẹn. Với những tiến bộ trong trí tuệ nhân tạo và học sâu, chúng ta có thể kỳ vọng đầu ra giọng nói ngày càng tự nhiên hơn, mô phỏng được sắc thái và biểu cảm của con người.
Một lĩnh vực đầy tiềm năng là phát triển trợ lý ảo và chatbot. Các hệ thống này sẽ ngày càng mang tính hội thoại hơn, cho phép người dùng tương tác một cách tự nhiên.
Chúng ta cũng có thể kỳ vọng vào những tiến bộ trong việc chuyển đổi văn bản thành ký hiệu ngữ âm (phiên âm); khi máy móc nhận diện và phân tích tốt hơn, hiệu quả và độ chính xác của các hệ thống chuyển giọng nói thành văn bản sẽ tiếp tục được nâng cao.
Cuối cùng, công nghệ text to speech sẽ ngày càng phổ biến và được tích hợp sâu hơn vào cuộc sống thường nhật. Khi ngày càng nhiều thiết bị kết nối Internet of Things, việc điều khiển bằng giọng nói theo thời gian thực sẽ trở nên tiện lợi và hiệu quả hơn.
Tham gia cuộc cách mạng text to speech cùng Speechify
Nếu bạn đang tìm kiếm một dịch vụ text to speech mạnh mẽ, có thể tạo ra giọng đọc tự nhiên và chất lượng cao, thì Speechify là một lựa chọn lý tưởng.
Nhờ công nghệ tổng hợp giọng nói tiên tiến, Speechify tạo ra những giọng đọc chân thực, tự nhiên – vượt xa các giọng máy móc kiểu cũ. Ngay cả những nhân vật nổi tiếng như Stephen Hawking – người từng sử dụng công nghệ text to speech – cũng có lẽ sẽ ấn tượng với khả năng của Speechify.
Sử dụng Speechify rất đơn giản – chỉ cần truy cập website chính thức hoặc tải ứng dụng, sau đó nhập văn bản mong muốn. Chọn giọng phù hợp, điều chỉnh tốc độ và cao độ nếu cần, rồi chỉ trong chốc lát, Speechify sẽ tạo ra giọng đọc tự nhiên cho bài giảng, video giải thích, podcast hay thuyết trình. Bạn cũng có thể chọn nhiều giọng AI tự nhiên cho video YouTube và nội dung trên mạng xã hội.
Đừng chấp nhận những dịch vụ TTS kém chất lượng – hãy thử Speechify ngay hôm nay để trải nghiệm tương lai của công nghệ text to speech.
FAQ
Ai là người phát triển bộ tổng hợp giọng nói đầu tiên trên thế giới?
Homer Dudley là người thiết kế bộ tổng hợp giọng nói đầu tiên trên thế giới vào đầu những năm 1930 tại Bell Laboratories ở New York.
Mục đích của tổng hợp giọng nói là gì?
Tổng hợp giọng nói nhằm tạo ra giọng nói nhân tạo từ đầu vào văn bản bằng cách xử lý ngôn ngữ và phân tích tần số cơ bản.
Bốn ứng dụng của TTS là gì?
TTS được dùng trong hỗ trợ tiếp cận, giải trí, học ngôn ngữ và tự động hóa các dịch vụ dựa trên giọng nói.
Những lợi ích của text to speech là gì?
Text to speech giúp tăng khả năng tiếp cận, hỗ trợ học tập và nâng cao hiệu quả bằng cách cho phép người dùng nghe nội dung văn bản dưới dạng âm thanh.
Khoảnh khắc bất ngờ nhất trong quá trình phát triển tổng hợp giọng nói là gì?
Một trong những cột mốc bất ngờ nhất là phát minh bộ tổng hợp giọng nói cơ học của Charles Wheatstone.
