Nors teksto į kalbą (t. y. kompiuterinė programa, skaitanti vartotojui ekrane matomą tekstą) idėja nėra nauja, pastaraisiais metais ši technologija išgyvena tikrą revoliuciją.
Remiantis viena nauja studija, teksto į kalbą rinka 2020 m. siekė net 2 mlrd. JAV dolerių – iš dalies dėl COVID-19 pandemijos poveikio. Prognozuojama, kad iki 2026 m. ši vertė pasieks 5 mlrd., o metinis augimas – 14,6%.
Didelė dalis šios sėkmės priklauso nuo to, kaip teksto į kalbą sprendimai padeda žmonėms su įvairiais regos sutrikimais. JAV Ligų kontrolės centras nurodo, jog regos sutrikimų turi apie 12 mln. vyresnių nei 40 metų amerikiečių, iš jų 1 mln. visiškai akli, o 8 mln. turi problemų dėl nediagnozuoto refrakcijos sutrikimo. 2012 m. ši suma siekė 4,2 mln.
Visa tai rodo, kad teksto į kalbą technologija visiškai pateisino lūkesčius. Daugelis sprendimų, pvz., Speechify, siūlo įvairius balsus pagal poreikį. Bet kaip visa tai veikia ir kodėl pasirinkimų tiek daug? Atsakymui reikia žinoti kelis pagrindinius dalykus.
Kaip veikia teksto į kalbą sprendimai
Prieš kalbant apie teksto į kalbą balsus, svarbu suprasti, kaip šie sprendimai veikia iš esmės.
Teksto į kalbą naudoja DI, mašininį mokymąsi ir panašias technologijas, kad tekstą puslapyje ar ekrane paverstų garsiniu turiniu. Tai apima tiek svetainių, tiek programų, pvz., Microsoft Word, tekstą.
Garso turinį visiškai generuoja pats įrenginys. Teksto į kalbą veikia ne tik staliniuose ir nešiojamuosiuose kompiuteriuose, bet ir beveik visuose išmaniuosiuose įrenginiuose, planšetėse ir kt.
Daugumoje sprendimų teksto į kalbą procesas vyksta tiesiogiai įrenginyje. Tai labai naudinga net ir be interneto ryšio.
Be galimybės regos problemų turintiems asmenims skaityti tekstą, teksto į kalbą taip pat praverčia, nes galima reguliuoti balso aukštį ar tempą. Galima sulėtinti, kad būtų lengviau suprasti, arba pagreitinti – kad sutaupytumėte laiko.
Teksto į kalbą balsai: kaip viskas veikia?
Kai kalbame apie balsus, naudojamus šiuose teksto į kalbą sprendimuose – visa tai remiasi balso sintezatoriumi.
Kas yra balso sintezatorius?
Balso sintezė – tai jūsų kompiuterio (ar kito įrenginio) išvestis, skaitanti pasirinktu balsu. Tai panašu į savo pačių skaitomą tekstą ar teksto spausdinimą – tik čia viskas pateikiama garsu per garsiakalbius ar ausines, o ne tekstu ekrane.
Paprastai balso sintezė veikia pagal kelis esminius žingsnius. Pirmasis – teksto pavertimas žodžiais.
1 žingsnis: Išankstinis apdorojimas
Šio proceso metu teksto į kalbą sprendimai analizuoja teksto žodžius ir raides – kurios yra tik simboliai – bei paverčia juos žodžiais. Tai svarbu, nes rašytinis žodis gali būti dviprasmiškas. Kai kurie žodžiai ar frazės turi kelias reikšmes. Taip pat kompiuteris turi „suprasti“ skirtumą tarp žodžių „jų“, „čia“ ir „jie yra“ – visi skamba taip pat, bet keičia sakinio prasmę.
Čia į pagalbą ateina DI ir mašininis mokymasis. DI padeda teksto į kalbą sprendimams kiek įmanoma sumažinti dviprasmiškumą. Šis balsų apdorojimo etapas vadinamas „išankstiniu apdorojimu“, nes vyksta „užkulisiuose“ prieš programai skaitant garsiai.
Tai ir etapas, kai teksto į kalbą sprendimas atskiria vienodai rašomus, bet skirtingai tariamus žodžius priklausomai nuo konteksto. „Read“ yra puikus pavyzdys: galbūt norite perskaityti knygą vakare, nors ją jau skaitėte. Žmonės nesunkiai supranta skirtumą iš konteksto – DI išmoko padaryti tą patį.
Per šį laikotarpį sunkiau apdoroti skaičius, trumpinius, akronimus ir kt. Specialieji simboliai, pvz., dolerio ženklas, irgi sudėtingesni nei paprastas tekstas. Todėl išankstinis apdorojimas toks svarbus: jis užtikrina, kad garsiai skaitomas turinys būtų prasmingas kontekste.
2 žingsnis: Tarimo supratimas
Kai tekstas išanalizuotas ir teksto į kalbą sprendimas „žino“, kokius žodžius reikia skaityti, prasideda kitas etapas. Visi žodžiai paverčiami fonemomis – iš esmės mokomasi taisyklingai tarti žodžius.
Ši proceso dalis per daugelį metų labai patobulėjo. Jei teko naudotis teksto į kalbą sistema 90-aisiais arba žiūrėjote seną filmą su tokia scena, turbūt pastebėjote, kad balsas buvo nenatūralus. Nors buvo įmanoma suprasti sakomą tekstą, kompiuterinis balsas skambėjo dirbtinai ir dažnai klydo tarime.
3 žingsnis: Konvertavimas į kalbą
Kai fonemos nustatytos, teksto į kalbą sprendimas pereina prie paskutinio etapo: informacijos pavertimo į garsą, kurį galima leisti per garsiakalbius ar ausines.
Tai gali vykti keliais būdais, priklausomai nuo naudotos sistemos. Vienu atveju aktorius garsiai perskaito fonemų sąrašą – ši informacija sugrąžinama į kompiuterį ir naudojama atpažįstant, kurios fonemos tinka konkrečiam tekstui. Taip garsinis tekstas skamba kur kas natūraliau.
Kai kurie sprendimai leidžia kompiuteriui generuoti balsą savarankiškai. Veikia panašiai – tik balsas sukuriamas realiu laiku, generuojant tam tikrus garso dažnius reikiama tvarka.
Tai panašu į muzikos sintezatorių – atlikėjas groja klavišais, o kompiuteris išgauna skirtingus instrumentų garsus. Kompiuteris „supranta“, ką grojate, ir sukuria atitinkamą efektą – tik šiame kontekste garsas imituoja tekstą.
Balso galimybės ir daugiau
Daugybė skirtingų balso variantų teksto į kalbą balso generatoriaus sprendimuose įmanomi todėl, kad jų sukurti nėra taip sudėtinga, kaip mano daugelis. Fonemų, reikalingų DI balso generatoriui, rūšių itin daug kalboje. Todėl užtenka, kad aktorius padiktuotų trumpą fonemų sąrašą, ir visa informacija įkeliama į sprendimą.
DI kalbos technologija atpažįsta kiekvieną fonemą atskirai – „suskaido“ įrašą į dalis ir naudoja tai, ko reikia generuodama balsą tekstui, pvz., tinklalapį ar kitą turinį skaitymui.
Žinoma, natūraliai skambantis balso generatorius gali būti naudingas ne tik regos negalią turintiems asmenims. Pastaraisiais metais žmonės susidomėjo DI kalbos kūrimu dėl tokio populiaraus socialinio tinklo kaip TikTok.
TikTok yra vienas prekių ženklų, pritaikiusių DI balsų generavimą – leidžia kurti vaizdo įrašus su tekstu ir perskaityti šį tekstą garsiai. Tai smagu – toks funkcionalumas populiarės vis labiau.
Teksto į kalbą ateitis jau čia
Galų gale, balso teksto į kalbą sprendimai yra vertingi dėl to, ką suteikia. Jie leidžia regos sutrikimų turintiems žmonėms savarankiškai naudotis visu turiniu kaip ir kitiems. Kiekvieną straipsnį, dokumentą ar kt. galima paversti lengvai klausomu garsu ir mėgautis kelyje, sportuojant ir pan.
Visa tai daro gyvenimą efektyvesnį ir padeda išspręsti įvairias problemas, minėtas aukščiau. Todėl balso sintezė ir DI kalba pastaraisiais metais tapo tokia populiari.
Jei norite sužinoti daugiau apie teksto į kalbą balsus ir kaip šis sprendimas gali pagelbėti kasdien, nepraleiskite progos – išbandykite Speechify nemokamai šiandien.
Speechify yra #1 įvertinta programa App store – natūraliausias kalbėjimas, patogi sąsaja ir daug balso pasirinkimų.
Speechify galima naudotis keliais būdais: vienam vartotojui, grupėms arba API verslui, nepriklausomai nuo dydžio.
