Технології перетворення тексту в мовлення (TTS) та синтезу голосу можуть здаватися зовсім новими, але насправді мають багатовікову історію.
Від перших спроб імітувати людське мовлення за допомогою механічних пристроїв до сучасних передових моделей штучного інтелекту та глибокого навчання — розвиток TTS є надзвичайно захопливою історією.
У цій статті ми зануримось в історію становлення технологій перетворення тексту в мовлення та синтезу голосу й поглянемо на захопливі перспективи майбутнього.
Текст у мовлення та синтез голосу: від зародження до сьогодення
XVIII–XIX століття
Історія технологій перетворення тексту в мовлення та синтезу голосу бере початок у XVIII–XIX століттях. У цей період було здійснено кілька перших спроб синтезу мовлення виключно механічними пристроями. У 1770-х роках угорський винахідник Вольфганг фон Кемпелен створив механічний пристрій, так звану акустико-механічну мовленнєву машину, призначену для імітації людського голосового тракту. Цей аналоговий пристрій використовував міхи, язички та трубки для відтворення голосних і приголосних звуків.
Наприкінці XVIII століття англійський фізик Чарльз Вітстон створив ще більш «просунуту» механічну версію мовленнєвої машини Кемпелена, яку назвав «говорячою машиною». Пристрій міг відтворювати звуки різних музичних інструментів. Хоча розробка Вітстона не була спеціально призначена для синтезу мовлення, вона закріпила саму ідею використання механічного пристрою для створення звуків.
У XIX столітті з’явилися й інші пристрої, зокрема машина Фабера для «штучного мовлення». Такі конструкції поєднували механічні та пневматичні системи для створення мовленнєвих звуків.
Початок XX століття і перший повністю електричний синтез мовлення
На початку XX століття технології синтезу мовлення значно вдосконалилися завдяки появі першої повністю електричної системи синтезу мови — вокодера Гомера Дадлі. Система була розроблена в лабораторіях Белла (Bell Labs) у Нью-Джерсі.
Вокодер Дадлі використовував ряд резонаторів і фільтрів для створення синтетичного мовлення. Експерти демонстрували модифікацію вокодера, яка називалася Voder, на Всесвітній виставці 1939–1940 років у Флашинг-Медоуз, Нью-Йорк. Машиною керували за допомогою клавіатури та ножних педалей, створюючи мовлення в реальному часі.
Початок 1950-х – кінець 1970-х: розквіт синтезаторів
У 1951 році робота Дадлі надихнула доктора Франкліна С. Купера з лабораторії Гаскінса на розробку пристрою pattern playback. Система аналізувала записаний звук (наприклад, слово чи фразу) і розкладала його на складові звукові хвилі або «спектрографічні патерни». Ці схеми зберігалися на магнітній стрічці та відтворювалися для отримання синтетичної версії оригінального звуку.
У 1976 році було презентовано першу комерційно успішну систему перетворення тексту в мовлення — Kurzweil Reading Machine. Система використовувала метод конкатенативного синтезу, поєднуючи попередньо записані фонеми та слова для створення штучної мови. Пристрій спочатку розробляли як допоміжний засіб для людей з інвалідністю, однак він швидко здобув популярність як інструмент для озвучення текстів.
Починаючи з 1978 року компанія Texas Instruments взялася за розробку чипа синтезу мови, який можна було б використовувати у відеоіграх та інших комп’ютерних застосунках. Чип працював за принципом конкатенативного синтезу: поєднання записаних звуків мовлення, або діфонів, для відтворення наближеної до людської мови. Згодом ця технологія лягла в основу системи DECtalk, яка забезпечувала якісний синтетичний голос для людей з інвалідністю.
Сучасні системи перетворення тексту в мовлення
Однією з ключових інновацій останніх років стало використання нейронних мереж для генерації синтетичної мови. Такі компанії, як Google та Microsoft, розробили високоякісні системи TTS, які за допомогою алгоритмів глибокого навчання аналізують величезні масиви записаних голосів і генерують природне мовлення.
Ще одним важливим кроком у розвитку TTS як асистивної технології стало використання методів unit selection і конкатенативного синтезу. Ці підходи дозволяють створювати реалістичне мовлення шляхом поєднання невеликих одиниць записаної мови, зокрема діфонів або навіть окремих слів, щоб формувати нові речення. Такі технології застосовуються у відомих TTS-додатках, як-от Speechify, Apple's Siri та Amazon Alexa, а також у попередніх інструментах, серед яких IBM ViaVoice.
Технологія розпізнавання мовлення також за останні роки зробила великий крок уперед, що дозволило суттєво вдосконалити TTS-системи. Використовуючи алгоритми розпізнавання мовлення для транскрипції голосу в текст, системи TTS можуть створювати природніші переходи й плавнішу інтонацію в синтезованому мовленні.
Окремо варто згадати й про інтеграцію просодії та інтонації, що дає змогу досягти значно природнішого звучання мови — з доречними паузами, наголосами та зміною тону. Просодія особливо важлива для мов на кшталт англійської, де акцент і інтонація суттєво впливають на зміст речення.
Глибоке навчання та далі: майбутнє технологій
Майбутнє технологій TTS надзвичайно перспективне й багате на можливості. Завдяки розвитку штучного інтелекту й глибокого навчання можна очікувати ще природнішого мовлення з переданням найменших нюансів людської мови.
Особливо корисними такі рішення стануть під час розробки віртуальних асистентів і чат-ботів. Подібні системи стануть більш «розмовними», і користувачі зможуть спілкуватися з ними ще природніше.
Крім того, очікуються покращення у сфері фонетичної транскрипції, тобто конвертації тексту у фонеми. У міру того як машини вдосконалюватимуться в розпізнаванні й інтерпретації людського мовлення, зростатимуть і точність, і ефективність систем перетворення мовлення в текст.
І нарешті, технології перетворення тексту на мовлення стануть ще доступнішими й органічно інтегруються в повсякденне життя. У міру підключення дедалі більшої кількості пристроїв до Інтернету речей ми зможемо керувати ними голосом у реальному часі, роблячи своє життя зручнішим і продуктивнішим.
Долучайтеся до революції тексту в мовлення разом із Speechify
Якщо ви шукаєте потужний сервіс перетворення тексту в мовлення, який забезпечує природне, високоякісне озвучення, — зверніть увагу на Speechify.
Завдяки сучасній технології формантного синтезу Speechify створює реалістичні, природно звучні голоси, які зовсім не схожі на роботизовані голоси минулого. Навіть такі авторитети, як Стівен Гокінг, котрий свого часу особисто експериментував із технологіями перетворення тексту в мовлення, були б вражені можливостями Speechify.
Користуватися Speechify дуже просто — достатньо відвідати офіційний вебсайт або завантажити мобільний додаток і ввести потрібний текст. Потім оберіть голос, відрегулюйте швидкість і висоту — і готово! Speechify створить чудове, природне озвучення, ідеальне для навчальних курсів, відео з поясненнями, подкастів і презентацій. Ви навіть зможете створити власні кастомні голоси для використання на YouTube та в інших соціальних мережах.
Не погоджуйтесь на посередні TTS-сервіси — спробуйте Speechify вже сьогодні та відчуйте на собі майбутнє технологій перетворення тексту в мовлення.
Поширені запитання
Хто створив перший у світі синтезатор мовлення?
Гомер Дадлі розробив перший у світі синтезатор мовлення на початку 1930-х років у лабораторії Белла в Нью-Йорку.
Для чого потрібен синтез мовлення?
Мета синтезу мовлення — створювати штучну мову з тексту, використовуючи мовну обробку та аналіз основної частоти звучання.
Які є чотири основні способи використання TTS?
TTS можна застосовувати для підвищення доступності, у сфері розваг, для вивчення мов і для автоматизації голосових сервісів.
Які переваги має перетворення тексту в мовлення?
Технологія перетворення тексту в мовлення підвищує доступність, сприяє навчанню та підвищує продуктивність, дозволяючи користувачам сприймати текстову інформацію на слух.
Який момент став найнеочікуванішим у розвитку синтезу мовлення?
Одним із найнеочікуваніших моментів у розвитку синтезу мовлення стало створення Чарльзом Вітстоном механічного синтезатора мовлення.
