Ce înseamnă Text-to-speech (sinteză vocală)
Text-to-speech (prescurtat TTS), în română sinteză vocală, transformă un text scris în vorbire. O întâlnești în GPS („peste 200 de metri, virați la dreapta”), în asistenții vocali, în cititoarele de ecran pentru persoanele nevăzătoare și în cărțile audio generate automat.
Vocile mai vechi sunau robotic, pentru că lipeau bucăți de sunet înregistrate. Sistemele bazate pe rețele neuronale produc astăzi voci cu intonație, pauze și emoție, greu de deosebit uneori de o voce umană.
Cum funcționează
Întâi, textul este normalizat: cifrele, datele și abrevierile sunt transformate în cuvinte („1 Decembrie” devine „întâi decembrie”, „dr.” devine „doctor”). Apoi sistemul stabilește pronunția și intonația: unde cade accentul, unde se fac pauze, dacă propoziția e o întrebare.
La final, un model neural generează sunetul propriu-zis. Multe sisteme moderne fac toți acești pași într-un singur model, antrenat pe ore întregi de înregistrări vocale cu textul corespunzător.
Pe înțelesul tuturor
Este ca un crainic care primește o foaie și o citește la microfon. Un crainic începător citește monoton, cuvânt cu cuvânt; unul bun înțelege sensul frazei și știe ce să accentueze.
Exemplu
Româna are capcane pentru sinteza vocală: cuvinte scrise la fel, dar accentuate diferit. „Torturi” se citește TOR-turi în „am cumpărat două torturi”, dar tor-TU-ri în „a îndurat torturi cumplite”; „mobilă” este MO-bi-lă (mobilier), dar mo-BI-lă în „o scară mobilă”. Un sistem bun alege pronunția după context, nu doar după litere.
De reținut
- TTS transformă textul în voce; este operația inversă față de speech-to-text.
- Calitatea depinde de normalizarea textului (cifre, abrevieri) și de intonație.
- Este o tehnologie importantă de accesibilitate pentru persoanele cu deficiențe de vedere sau de citire.
Nu confunda
- Text-to-speech vs. clonarea vocii: TTS obișnuit folosește voci predefinite; clonarea vocii imită vocea unei persoane anume, pe baza unor înregistrări cu ea.
Termeni înrudiți
- Speech-to-text (recunoaștere vocală): Tehnologie care transformă vorbirea dintr-o înregistrare sau de la microfon în text scris.
- Clonarea vocii: Folosirea AI pentru a imita vocea unei persoane anume, din câteva înregistrări, astfel încât să rostească orice text.
- Asistent vocal: Program cu care vorbești ca să afli informații sau să dai comenzi: Siri, Google Assistant, Alexa sau asistenții AI cu mod vocal.
- NLP (procesarea limbajului natural): Domeniul AI care îi învață pe calculatoare să înțeleagă și să producă limbaj omenesc: traducere, rezumare, chatboți, analiza textelor.
- Deep learning (învățare profundă): Tip de machine learning bazat pe rețele neuronale cu multe straturi; stă în spatele chatboților, traducerilor și recunoașterii imaginilor.