Veliko ljudi vsak dan uporablja storitve pretvorbe besedila v govor in virtualne asistente, pa sploh ne vedo, da temeljijo na podobnih funkcijah. Z razvojem tehnologije raste tudi kakovost aplikacij, ki jih uporabljamo.
Enako velja za TTS aplikacije in virtualne asistente. Nekaj podjetij dosega izjemne rezultate, med njimi tudi Google s svojo tehnologijo WaveNet.
Kaj je Google WaveNet?
WaveNet je umetna nevronska mreža za ustvarjanje surovega zvoka. Razvila ga je ekipa DeepMind, londonsko podjetje za umetno inteligenco. Ta tehnologija je bila velik preboj za Google Cloud in ga je dvignila na višjo raven.
Ena glavnih prednosti DeepMindovega sistema pred prejšnjimi rešitvami je bolj naraven zvok. Ko je bil sistem leta 2016 predstavljen, TTS sistemi še niso znali ustvariti res naravnega govora.
WaveNet TTS je prekašal prejšnje sisteme v vseh pogledih. Osnovno načelo te tehnologije je preprosto: program uporablja surove zvočne datoteke, kot je npr. WAV, in izkorišča povezavo z Googlovim API-jem in API ključem.
Danes lahko to tehnologijo uporabljamo na več načinov, saj znamo izkoristiti kompleksne algoritme. Podjetja tekmujejo, kdo bo ponudil najboljši izdelek, kar je dobro za uporabnike — več izbire in lažje najdemo pravi program.
Kako WaveNet deluje
WaveNet je različica FNN oz. feedforward nevronske mreže — globoka konvolucijska nevronska mreža. CNN vzame vhodni signal in iz njega ustvari izhodno zvočno vzorčenje.
Vse temelji na strojni inteligenci, obdelavi naravnega jezika in globokem učenju. Stare TTS aplikacije so temeljile na fonemskih bazah, kjer je aplikacija izbirala najprimernejši zvok.
Ustvarjanje takšne zvočne sestavljanke ni enostavno. Program mora razumeti ritem, dinamiko in zakonitosti jezika, sicer govor zveni umetno.
Kot večina TTS programov WaveNet uporablja prave zvočne valove — npr. parametrične ali konkatenativne. Tako program analizira jezikovna pravila in spremembe zvokov skozi čas.
To programu omogoča ustvarjanje vzorcev, podobnih človeškemu govoru. Zvok ustvari na podlagi podatkov, ki jih prejme.
V praksi to pomeni, da lahko, če govorite italijansko, program generira govor v italijanščini. To je bil velik preboj in je odprl vrata številnim drugim TTS API-jem.
Primeri uporabe WaveNet
Ko je Google tehnologijo predstavil, je potrebovala veliko procesorske moči. Kasneje se je to spremenilo. API je sprva poganjal glasove za Google Assistant, ki jih je Google predstavil na več platformah.
WaveNet je tudi odlično TTS orodje. Glas je naravnejši, kar izboljša uporabniško izkušnjo. Uporabite ga lahko za novice, prepise, podcaste ali karkoli želite.
To je šele začetek. Ta tehnologija lahko pomaga tudi ljudem z govornimi težavami. S sintezo glasu lahko na podlagi vzorca svojega govora ustvarijo lasten glas in si dobesedno povrnejo glas.
Kaj prinaša prihodnost TTS programov, še ni znano, skoraj gotovo pa bo razburljiva. Veliko podjetij razvija TTS rešitve, kar spodbuja inovacije.
Skupni cilj pomeni boljše rezultate za vse.
Speechify - Sinteza govora
Med aplikacijami, ki jih morate preizkusiti, je tudi Speechify. To je TTS aplikacija, ki jo lahko uporabljate skoraj kjerkoli: na iOS, Androidu, Macu ali kot razširitev za Google Chrome.
Speechify prebere skoraj vsako vsebino: PDF-je, dokumente, e-maile ali kar koli imate na napravi. Glavna prednost sta vsestranskost in možnost prilagoditev.
Nastavite lahko hitrost branja, izberete različne glasove, prilagodite višino glasu itd. Speechify ima tudi funkcijo OCR — slikajte knjigo in aplikacija jo prebere na glas.
Aplikacija je namenjena osebam z disleksijo, ADD, za učenje jezikov ali bolj produktivno branje. Je vse-v-enem aplikacija, ki povsem spremeni doživljanje branja.
Speechify je preprosta za uporabo in posebnih navodil ne potrebujete.
Pogosta vprašanja
Za kaj se uporablja WaveNet?
Gre za globoko nevronsko mrežo, ki ustvari surov zvok. Kot TTS sinteza ponuja naravne WaveNet glasove in se uči iz resničnih posnetkov. Tako je presegla starejši Google Cloud TTS.
Danes se uporablja predvsem za glasove za Google Assistant.
Kaj je WaveNet model?
Model temelji na arhitekturi PixelCNN. Za obdelavo dolgoročnih povezav uporablja razširjene kavzalne konvolucije.
Dodatek dilatiranih CNN-jev omogoča lažje in hitrejše učenje, program pa lahko deluje tudi do 20-krat hitreje od realnega časa.
Kakšna je razlika med WaveNet in konvolucijskimi nevronskimi mrežami?
WaveNet temelji na globoki konvolucijski nevronski mreži (CNN), zato je ena od izvedb CNN. Podobne pristope uporabljajo tudi druga podjetja (Microsoft, Amazon) in dosegajo zelo visoko kakovost.
Če iščete najboljšo TTS aplikacijo, izberite Speechify. Čeprav imajo tudi druge platforme svoje prednosti, je Speechify preprost in brez zapletov — pretvorba besedila v govor je enostavna za vsakogar.
