A szövegfelolvasás (TTS) és a hangszintézis elsőre korszerű, új technológiáknak tűnhetnek, pedig valójában évszázadokra visszanyúló, gazdag múlttal rendelkeznek.
Az első, mechanikus eszközökkel végzett emberi beszédutánzástól egészen a mai, élvonalbeli mesterséges intelligenciával és mélytanulással működő modellekig a TTS fejlesztése lenyűgöző utat járt be.
Ebben a cikkben végigvesszük a szövegfelolvasás és a hangszintézis történetét, és azt is megnézzük, milyen izgalmas lehetőségek állnak még előttünk.
Szövegfelolvasás és hangszintézis: a kezdetektől napjainkig
18–19. század
A szövegfelolvasás és a hangszintézis története a 18. és 19. századig vezethető vissza. Ebben az időszakban több korai kísérlet is született a beszédszintézisre, mind mechanikus eszközökkel. Az 1770-es években Kempelen Farkas, magyar feltaláló, megalkotta az akusztikus-mechanikus beszélőgépet, amely az emberi hangképző szervek működését utánozta. Ez az analóg eszköz fújtatókat, nádsípokat és csöveket használt a magán- és mássalhangzók előállítására.
A 18. század végén egy angol fizikus, Charles Wheatstone Kempelen beszélőgépének még inkább mechanikus változatát alkotta meg, amelyet szintén „beszélőgépnek" nevezett. Az eszköz különböző hangszerek hangjait tudta reprodukálni. Bár Wheatstone gépe nem kifejezetten a beszédszintézisre készült, megerősítette a mechanikus hangképző eszköz gondolatát.
A 19. században további eszközöket is kifejlesztettek, köztük Faber „mesterséges beszéd" gépét. Ezek az eszközök mechanikus és pneumatikus rendszerek kombinációjával hoztak létre beszédhangokat.
20. század eleje és az első teljesen elektromos beszédszintézis
A 20. század elején a beszédszintézis technológia ugrásszerűen fejlődött az első teljesen elektromos beszédszintézis rendszer – a Homer Dudley által feltalált vokóder – megjelenésével. A rendszert a Bell Laboratories (Bell Labs) laboratóriumában, New Jerseyben fejlesztették ki.
Dudley vokódere rezonátorokat és szűrőket használt a szintetikus beszéd előállítására. A szakértők az 1939–1940-es Világkiállításon, a New York-i Flushing Meadowsban be is mutatták ezt a vokódert, a „Voder"-t. A gépet billentyűzettel és pedálokkal működtették, így hozták létre a beszédhangokat.
Az 1950-es évek elejétől az 1970-es évek végéig – a szintetizátorok térhódítása
1951-ben Dudley munkája inspirálta az ún. pattern playback fejlesztését, amelyet Dr. Franklin S. Cooper hozott létre a Haskins Laboratories-nál. A rendszer egy rögzített hang, például egy szó vagy kifejezés elemzésével dolgozott, majd az összetevő hanghullámokra, azaz „szpektrográfiai mintákra" bontotta azt. Ezeket a mintákat mágnesszalagon tárolták, majd lejátszották, hogy előállítsák az eredeti hang szintetikus változatát.
1976-ban mutatták be az első kereskedelmileg sikeres szövegfelolvasó rendszert, a Kurzweil Reading Machine-t. A rendszer konkatenatív szintézist alkalmazott, vagyis előre felvett fonémákat és szavakat kombinálva állította elő a szintetikus beszédet. A készüléket elsősorban fogyatékkal élők támogatására tervezték, de hamar elterjedt, mint hasznos olvasási segédeszköz.
1978-tól a Texas Instruments egy olyan beszédszintézis-chip fejlesztésébe kezdett, amely videojátékokban és más számítógépes alkalmazásokban is használható volt. Ez a chip konkatenatív szintézist használt, vagyis felvett beszédhangokat vagy difonokat kombinált az emberi beszédhez hasonló hang előállításához. Ezt a technológiát később a DECtalk-ban is alkalmazták, amely kiváló minőségű szintetikus beszédet biztosított a fogyatékkal élők számára.
Modern szövegfelolvasó rendszerek
Az elmúlt évek egyik legfontosabb újítása a neurális hálózatok használata volt a szintetikus beszéd előállításában. Olyan cégek, mint a Google és a Microsoft, olyan magas minőségű TTS rendszereket fejlesztettek, amelyek mélytanulási algoritmusokkal elemzik az emberi beszédek hatalmas adatállományait, és élethű, természetes hangzású beszédet generálnak.
Egy másik kulcsfontosságú előrelépés a TTS-ben – különösen, mint akadálymentesítő technológia – az ún. unit selection (egységkiválasztás) és a konkatenatív szintézis technikák elterjedése. Ezek a módszerek realisztikusabb kimenetet tesznek lehetővé azáltal, hogy előre felvett, kis beszédegységeket – például difonokat vagy akár komplett szavakat – kombinálnak új mondatok előállítására. Ezeket a technológiákat alkalmazzák népszerű TTS-alkalmazásokban, mint a Speechify, az Apple Siri-je, az Amazon Alexa, valamint korábbi eszközökben, például az IBM ViaVoice-ban is.
A beszédfelismerő technológia is jelentősen fejlődött az elmúlt években, aminek köszönhetően még fejlettebb TTS rendszerek születtek. A beszédfelismerő algoritmusok segítségével az emberi beszédet írott szöveggé alakíthatják, így a szintetizált beszéd átmenetei is természetesebbé válnak.
Az elmúlt években a prozódia (hangsúlyozás, dallam) és az intonációs elemek is egyre hangsúlyosabban megjelentek a TTS rendszerekben. Ezek révén a szövegfelolvasás sokkal élethűbb, természetesebb hangzású, a megfelelő szünetekkel, hangsúlyokkal és tónussal rendelkező beszédet képes létrehozni. A prozódia különösen fontos olyan nyelveknél, mint az angol, ahol a hangsúly és az intonáció jelentősen befolyásolhatja a mondat jelentését.
Mélytanulás és azon túl: a technológia jövője
A TTS technológia jövője izgalmas, és rengeteg lehetőséget rejt magában. Az MI és a mélytanulás fejlődésével még élethűbben megszólaló, az emberi beszéd árnyalatait és finomságait is egyre jobban utánzó rendszerekre számíthatunk.
Ez különösen hasznos lesz a virtuális asszisztensek és chatbotok fejlesztésében, amelyek így még beszélgetősebbé válhatnak, és a felhasználók sokkal természetesebben kommunikálhatnak velük.
Emellett a fonetikus átírás, más néven a szöveg-fonéma átalakítás területén is komoly előrelépések várhatók. Ahogy a gépek egyre jobban felismerik és értelmezik az emberi beszédet, a beszéd-szöveg rendszerek pontossága és hatékonysága is tovább javul.
Végül számíthatunk arra is, hogy a szövegfelolvasás technológia egyre elterjedtebbé válik, és szinte észrevétlenül beépül a mindennapi életünkbe. Ahogy egyre több eszköz csatlakozik az Internet of Things-höz, valós időben, hangutasítással irányíthatjuk őket, ami kényelmesebbé és hatékonyabbá teszi a mindennapokat.
Csatlakozz a szövegfelolvasás forradalmához a Speechify segítségével
Ha egy hatékony szövegfelolvasó szolgáltatást keres, amely természetes, kiváló minőségű narrációt tud előállítani, válassza a Speechify-t!
A Speechify fejlett formáns szintézis technológiájának köszönhetően élethű, természetes hangzású hangokat hoz létre — szemben a múlt robotikus hangjaival. Még az olyan elismert személyiségek, mint Stephen Hawking – aki maga is használta a szövegfelolvasó technológiát –, is lenyűgözve lennének a Speechify képességeitől.
A Speechify használata gyerekjáték – csak látogasson el a weboldalra vagy töltse le a mobilalkalmazást, majd írja be a kívánt szöveget. Ezután válassza ki az Ön számára megfelelő hangot, állítsa be a sebességet és a hangmagasságot, és már kész is! A Speechify kiváló, természetes hangzású narrációt készít, tökéletes például e-learning modulokhoz, magyarázó videókhoz, podcastekhez és prezentációkhoz. Akár saját egyedi hangokat is létrehozhat, amelyeket YouTube és más közösségi média csatornákon is használhat.
Ne érje be gyengébb TTS szolgáltatásokkal – próbálja ki a Speechify-t még ma, és tapasztalja meg a szövegfelolvasó technológia jövőjét!
GYIK
Ki fejlesztette ki a világ első beszédszintetizátorát?
A világ első beszédszintetizátorát Homer Dudley tervezte az 1930-as évek elején a New York-i Bell Laboratories-nál.
Mi a beszédszintézis célja?
A beszédszintézis célja, hogy a szövegbevitelt nyelvi feldolgozással és alapfrekvencia-analízissel mesterséges beszéddé alakítsa.
Melyek a TTS technológia négy fő felhasználási területe?
A TTS használható akadálymentesítésre, szórakoztatásra, nyelvtanulásra és hangalapú szolgáltatások automatizálására.
Melyek a szövegfelolvasás előnyei?
A szövegfelolvasás javíthatja a hozzáférhetőséget, segítheti a tanulást, és növelheti a termelékenységet azáltal, hogy a felhasználók hallás útján is fogyaszthatják az írott tartalmakat.
Mi volt a legmeglepőbb pillanat a szövegfelolvasó szintézis fejlődésében?
A szövegfelolvasó szintézis fejlődésének egyik legmeglepőbb pillanata Charles Wheatstone mechanikus beszédszintetizátorának feltalálása volt.
