Хоча концепція технології "текст у мову" — тобто програми, яка може читати текст на екрані комп’ютера вголос користувачу — не є новою, за останні кілька років вона переживає справжню революцію.
За даними одного з нещодавніх досліджень, ринок технологій "текст у мову" оцінювався у вражаючі $2 мільярди у 2020 році — зокрема й через вплив триваючої пандемії COVID-19. До того ж, очікується, що цей ринок зросте до $5 мільярдів вже до 2026 року. Це вражаюча середньорічна складна швидкість зростання у 14,6%.
Велика частина цього зростання пов’язана з тим, як технології тексту в мову допомагають людям із різними порушеннями зору. За даними Центрів із контролю та профілактики захворювань, близько 12 мільйонів американців віком понад 40 років мають проблеми з обробкою візуальної інформації. З цієї кількості один мільйон повністю сліпі, а вісім мільйонів мають порушення зору через не скориговані рефракційні помилки. Це вже більше, ніж 4,2 мільйона у 2012 році.
Усе це означає, що технологія тексту в мову вже давно довела свою ефективність. Багато сервісів, як Speechify, навіть пропонують кілька голосів високої якості — користувач може обрати той, що йому підходить найбільше. Але як усе це працює? І чому доступно так багато голосових варіантів? Відповідь на ці та інші питання потребує врахування кількох важливих моментів.
Як працює технологія тексту в мову
Перш ніж перейти до голосів у технологіях тексту в мову, варто краще зрозуміти, як саме працюють ці рішення.
Функціонал тексту в мову використовує штучний інтелект, машинне навчання та інші подібні технології для перетворення написаних на сторінці або екрані слів на аудіоконтент, який потім зачитується вголос. Це включає не лише контент сайтів та статей, а й текст у додатках на кшталт Microsoft Word та інших.
Аудіоконтент генерується безпосередньо пристроєм, який ви використовуєте. Окрім десктопів і ноутбуків, функція тексту в мову також є майже на кожному сучасному смартфоні, планшеті чи іншому мобільному пристрої.
У більшості рішень обробка тексту в мову виконується локально на пристрої. Це означає, що функція корисна навіть без під’єднання до інтернету.
Крім того, що це дає змогу людям із проблемами зору отримати доступ до текстового контенту, текст у мову також корисний тим, що дозволяє гнучко налаштовувати висоту й швидкість голосу. Якщо вам потрібно сповільнити мову для кращого розуміння — це можливо. Якщо ж хочете пришвидшити — теж без проблем!
Голоси в технології тексту в мову: розбираємося по суті
Що ж до самих голосів, які використовують ці рішення тексту в мову, — все зводиться до так званого синтезатора мовлення.
Що таке синтезатор мовлення?
Синтез мовлення — це форма виводу інформації, коли комп’ютер (чи інший пристрій) читає слова вголос заздалегідь обраним голосом. За концепцією це схоже на процес, коли ви читаєте текст самостійно чи навіть друкуєте його на папері — усе одно йдеться про передачу інформації від комп’ютера вам. Тільки замість текстового відображення — через голос, який ви чуєте у динаміках чи навушниках.
Загалом синтез мовлення працює шляхом виконання низки важливих етапів. Перший з них — це перетворення тексту на сторінці у слова.
Крок 1: Попередня обробка
На цьому етапі рішення для тексту в мову аналізує слова у контенті, який ви хочете прослухати, та конвертує букви — які по суті є лише символами — в цілісні слова. Цей процес дуже важливий, адже написані слова бувають двозначними частіше, ніж здається. Окремі слова чи фрази можуть мати кілька значень. Також комп’ютер має "розуміти" різницю між словами "their", "there" і "they're" (в українській такі приклади: "мати", "мати (материнство)") — вони вимовляються однаково, але змінюють зміст речення.
Саме тут у гру вступають штучний інтелект і машинне навчання. Завдяки AI рішення для тексту в мову можна "натренувати" так, щоб максимально зменшити цю двозначність. Цей етап називають "попередньою обробкою", адже він відбувається "за лаштунками" ще до того, як додаток щось читає вголос.
На цьому ж етапі система розпізнає слова, які пишуться однаково, проте вимовляються по-різному залежно від контексту. "Read" — чудовий приклад, оскільки сьогодні ви можете планувати прочитати книжку, а в минулому вже це зробили неодноразово. Людина зрозуміє різницю за контекстом — на комп’ютері для цього використовують штучний інтелект.
Не менш складно під час цієї обробки уникнути плутанини з числами, абревіатурами, скороченнями тощо. Також спецсимволи, такі як знак долара, набагато важче "перекласти", ніж звичайне слово. Саме тому даний попередній етап дуже важливий — він допомагає зробити так, щоб усе, що зрештою буде озвучено, дійсно мало сенс у потрібному контексті.
Крок 2: Розуміння вимови
Після аналізу тексту та того, як система "зрозуміла", які слова потрібно озвучити, починається наступний етап. Тут ці слова перетворюються на фонеми — тобто система "вчиться" правильно вимовляти ті чи інші слова.
Ця частина процесу суттєво еволюціонувала за останні роки. Якщо ви колись користувалися технологією тексту в мову у 1990-х (або бачили у старих фільмах 70–80-х сцену з цифровим голосом), ви, ймовірно, згадаєте комп’ютерний голос, який звучить неприродно. Було легко зрозуміти, що його згенеровано комп’ютером, і хоч загалом слова були зрозумілі, більшість вимовлялись некоректно.
Крок 3: Починається озвучення
Коли фонеми ідентифіковано, рішення тексту в мову переходить до останньої стадії: перетворення цих даних у звук, що можна відтворити через гучномовець чи навушники пристрою.
Залежно від рішення, це відбувається декількома способами. Один із них: професійний диктор озвучує список фонем, ці записи надходять до бази даних системи. Потім, коли додаток сканує текст, він зіставляє на сторінці фонеми зі збереженими й відтворює результат — саме тому звучання голосу стало природнішим, ніж будь-коли.
Деякі рішення дозволяють комп’ютеру генерувати голос повністю самостійно. Принцип роботи подібний, але "голос" у цьому випадку не базується на попередньо записаному, а створюється шляхом генерування певних звукових частот у відповідній послідовності.
Загалом, це схоже на роботу музичного синтезатора, коли музикант за допомогою цього приладу може імітувати звуки різних інструментів на стандартній клавіатурі, підключеній до комп’ютера. Можна грати на клавіатурі як на піаніно, але кожна клавіша може відповідати акорду гітари чи удару барабана. Комп’ютер "розуміє" намір натискання й видає відповідний звук — тільки вже в іншій сфері.
Різноманіття голосів та інше
Одна з причин, чому у генераторах голосів для тексту в мову так багато різних варіантів, — вони не такі складні у створенні, як здається. Типи фонем, необхідних для роботи AI-генератора голосу, дуже поширені у людській мові. Відповідно, для створення набору досить, щоб диктор записав короткий текст з усіма потрібними фонемами — і це вже можна завантажити у систему для генерації голосу.
Технологія AI-озвучення розпізнає кожну фонему окремо, тобто "розбиває" запис на складові й використовує потрібні для того, щоб генерувати голоси для тексту в мову, коли користувач слухає сайт чи інший контент.
Звісно ж, сфера використання таких генераторів природного голосу набагато ширша, ніж просто допомога людям із порушеннями зору. Останніми роками інтерес до AI-генерації голосу надзвичайно зріс — зокрема й завдяки соцмережам, таким як TikTok.
TikTok — один із найбільших брендів, який впровадив AI-озвучування: дозволяє користувачам записувати відео, додавати до них текст, а потім синтез мовлення озвучує цей текст. Це цікавий спосіб додати відео глибший рівень залучення — і він ставатиме дедалі популярнішим з часом.
Майбутнє тексту в мову вже настало
Зрештою, озвучування тексту — незамінний інструмент завдяки своїм можливостям. Воно дає змогу людям із порушеннями зору отримувати повний доступ до контенту нарівні з усіма, у зручний для себе спосіб. Будь-який блог, статтю, документ, дослідження чи інший друкований текст можна перетворити на зручний аудіоформат — слухайте його вдома, у транспорті, в спортзалі тощо.
Така технологія не лише підвищує нашу продуктивність, а й допомагає вирішити низку важливих проблем, перелічених вище. І враховуючи це, не дивно, що синтез мовлення й AI-озвучування так швидко набули популярності останніми роками.
Якщо ви хочете дізнатися більше про голоси в технології тексту в мову або про те, як таке рішення може допомогти саме вам, не відкладайте — спробуйте Speechify безкоштовно вже сьогодні.
Speechify — застосунок номер 1 у App Store із максимально природним звучанням, чудовим користувацьким досвідом та великим вибором голосів.
Speechify доступний у кількох варіантах: для одиночних користувачів, груп або API для бізнесу будь-якого масштабу.
