Sinteza govora je veštačko proizvođenje ljudskog govora. Računarski sistem koji se koristi za ovu svrhu zove se sintisajzer govora i može biti ugrađen u softver ili u hardver. Tekst-u-govor sistem (-{TGS}-) konvertuje pisani tekst u govor; ostali sistemi prebacuju simboličke lingvističke reprezentacije, kao što su fonetska transkripcija, u govor.

Sintezovan govor može biti kreiran i spajanjem delova snimljenog govora koji je smešten u bazi podataka. Sistemi se razlikuju u veličini skladištenih govornih jedinica; sistem koji skladišti glasove ili dvoglase omogućava najširi spektar izlaznih podataka ali jasnoća može biti nešto lošija. Za specifične domene upotrebe skladištenje celih reči ili rečenica omogućava izlazne podatke visokog kvaliteta. Alternativno, sintisajzer može uključiti i model vokalnog trakta i druge karakteristike ljudskog glasa da bi kreirao u potpunosti „vestačke“ izlazne podatke glasa.

Kvalitet sintisajzera govora određuje se po njegovoj sličnosti sa ljudskim govorom i po njegovoj razumljivosti. Razumljivost tekst-u-govor programa omogućava ljudima sa oštećenim vidom i problemima sa čitanjem da slušaju napisana dela na kućnom računaru. Od ranih osamdesetih godina dvadesetog veka mnogi računarski operativni sistemi u sebi sadrže sintisajzer govora.

Opšti pregled obrade teksta

Tekst-u-govor sistem (ili „mašina“) je sastavljena iz dva dela: -{front-end}--a i -{back-end}--a. -{Front-end}- ima dva osnovna zadatka. Prvo, on konvertuje sirov tekst koji sadrži brojeve i skraćenice u njihove ekvivalente napisanih reči. Ovaj proces se obično naziva normalizacija, pred-obrada ili tokenizacija teksta. Front-end tada dodeljuje fonetsku transkripciju svakoj reči, deli i obeležava tekst u prozodijske jedinice, poput fraza, klauza i rečenica. Proces dodeljivanja fonetske transkripcije rečima zove se konverzija tekst-u-fonemu ili grafema-u-fonemu. Fonetska transkripcija i informacija o prozodiji zajedno čine simboličku lingvističku reprezentaciju koja postaje izlazni podatak putem -{front-end}--a. -{Back-end}-, o kojem se obično govori kao o sintisajzeru, onda konvertuje simboličku lingvističku reprezentaciju u govor.

Istorija

Mehanički uređaji

Mnogo pre nego što je izmišljena obrada elektronskih signala postojali su ljudi koji su pokušavali da naprave mašine koje će proizvesti ljudski govor. Rane primere „glava koje govore“ napravili su Gerbert od Aurilaka, Albert Veliki i Rodžer Bejkon.

Godine 1779. danski naučnik Kristijan Kratenstajn, radeći za Rusku akademiju nauka, napravio je modele ljudskog vokalnog trakta koji je mogao da proizvede pet dugih vokala (, , , and ). Nakon toga napravljena je „akustičko-mehanička govorna mašina“ koja je radila na principu mehova, koju je napravio Volfgang fon Kempelen iz Beča. Opisao ju je u svom radu iz 1791. godine. Ovoj mašini dodati su modeli jezika i usana, omogućivši joj da proizvodi kako konsonante tako i vokale. Čarls Vitstoun napravio je 1837. „govornu mašinu“ zasnovanu na von Kempelenovom dizajnu, a 1857. M. -{Faber}- je napravio „Eufoniju“. Vitstounov dizajn je ponovo uveden 1923. od strane Padžeta.

Tridesetih godina dvadesetog veka, u Bel Laboratorijama napravljen je -{VOKODER}-, elektronski analizator i sintisajzer govora kojim se upravlja putem tastature, koji je bio vrlo razumljiv. Homer Dadli je usavršio ovaj uređaj u -{VODER}-, koji je izložio na Njujorškom Svetskom Sajmu 1939.

Ponovljeni model su napravili dr Frenklin S. Kuper i njegovi saradnici u Haskins Laboratorijama kasnih 1940-ih, a završili su ga 1950. godine. Bilo je nekoliko raznih verzija ovog hardverskog uređaja ali samo jedan je opstao i do danas. Ova mašina konvertuje slike akustičkih uzoraka govora u formi spektograma u zvuk. Koristeći ovaj uređaj Alvin Liberman i njegove kolege uspeli su da otkriju akustičke signale za percepciju fonetskih segmenata (konsonanata i vokala).

Rani elektronski sintisajzeri govora su zvučali poput robota i često su bili jedva razumljivi. Kako bilo, kvalitet sintetizovanog govora vremenom se poboljšao i izlazne podatke savremenih sistema sinteze govora je ponekad teško razlikovati od pravog ljudskog govora.

Elektronski uređaji

Prvi sistem sinteze govora zasnovan na radu računara napravljen je kasnih 1950-ih godina, a prvi kompletan tekst-u-govor sistem je završen 1968. godine. 1961. godine, fizičar Džon Lari Keli Junior i njegov kolega Luis Grestman koristili su računar -{IBM 704}- za sintezu govora, što je bio jedan od značajnijih događaja u istoriji Bel Laboratorija. Kelijev sintisajzer snimanja glasa (-{vokoder}-) reprodukovao je pesmu -{Daisy Bell}- uz muzičku pratnju Maksa Metjuza. Slučajno, Artur Klark bio je u poseti kod svog prijatelja i kolege Džona Pirsa u Murej Hil ustanovi pri Bell Laboratorijama. Klark je bio toliko impresioniran demonstracijom da ju je iskoristio u uzbudljivoj sceni svog scenarija za svoju novelu 2001:Odiseja u svemiru, gde računar -{HAL 9000}- peva istu pesmu dok ga astronaut Dejv Bovman uspavljuje. Uprkos uspehu potpune elektronske sinteze govora i dalje se vrše istraživanja o mehaničkim sintisajzerima govora za upotrebu za čovekolike robote.

Tehnologije sintisajzera

Najvažniji kvaliteti sistema sinteze govora su prirodnost i jasnoća. Prirodnost opisuje koliko izlazni podaci zvuče kao ljudski govor, dok jasnoća predstavlja nivo razumljivosti izlaznih podataka. Idealni govorni sintisajzer je kombinacija prirodnosti i jasnoće tako da sistem sinteze govora obično pokušava da zastupi obe karakteristike u što većoj meri.

Dve osnovne tehnologije za generisanje talasnih formi sintetičkog govora su povezivačka sinteza i formantska sinteza. Svaka od ove dve sinteze ima svoje dobre i loše strane, a koja od sinteza će se upotrebiti zavisi od upotrebne namere.

Povezivačka sinteza

Povezivačka sinteza se zasniva na povezivanju segmenata snimljenog govora. U suštini, povezivačka sinteza proizvodi sintetični govor koji zvuči najprirodnije. Kako bilo, razlike između prirodnih varijacija u govoru i prirode automatizovanih tehnika za segmentiranje talasnih formi ponekad mogu rezultovati vidnim greškama u izlaznim podacima. Postoje tri glavna podtipa povezivačke sinteze.

Sinteza selekcije jedinica

Sinteza selekcije jedinica koristi velike baze podataka za snimanje govora. Tokom pravljenja baze podataka svaka snimljena rečenica se segmentuje u neke ili sve od sledećih: pojedinačne glasove, slogove, morfeme, reči, fraze i rečenice. Deljenje na segmente se izvodi korišćenjem specijalno modifikovanog prepoznavača govora podešenog na mod „prisiljenog svrstavanja“ posle čega se ručno vrše korekcije koristeći vizuelne reprezentacije kao što su talasne forme i spektogram. Indeks jedinica u bazi podataka govora se onda kreira na osnovu segmentacije i akustičkih parametara u koje spadaju osnovna frekvencija (pič), trajanje, pozicija u slogu i susedni glasovi. Za vreme izvršenja, željna ciljana rečenica se kreira determinisanjem najboljeg lanca kandidatskih jedinica iz baze podataka (selekcija jedinica). Ovaj proces se uglavnom postiže posebno značajnim stablom odluke.

Selekcija jedinica omogućava najveću prirodnost zato što priključuje samo malu količinu digitalne obrade signala (DOS) u snimljen govor. DOS obično čini snimljeni govor manje prirodnim iako neki sistemi koriste male količine procesuiranja govora u tački koncentracije da bi ublažili talasne forme. Izlazni podaci formirani najboljom selekcijom jedinica sistema se uglavnom ne razlikuju od pravog ljudskog govora, posebno u kontekstima u kojima je uključen -{TTS}- sistem. U principu, maksimalna prirodnost zahteva da baze podataka selekcije jedinica govora budu vrlo velike, a koje se u nekim sistemima mere gigabajtima snimljenih podataka, predstavljajući tako desetine sati govora.

Sinteza dvoglasa

Sinteza dvoglasa koristi minimalnu bazu podataka govora koja sadrži sve dvoglase (prelaze iz glasa u glas) koji se javljaju u jeziku. Broj dvoglasa zavisi od fonotaktike jezika: npr. španski jezik ima oko 800 dvoglasa, a nemački oko 2500. U sintezi dvoglasa, samo jedan primer svakog dvoglasa je sadržan u bazi podataka govora. Za vreme izvršenja, ciljana prozodija rečenice je dodata ovim minimalnim jedinicama putem tehnika procesuiranja digitalnih signala kao što su predvidivo linearno kodiranje, -{PSOLA}- i -{MRBOLA}-. Kvalitet krajnjeg govora je uglavnom lošiji od govora sistema selekcije jedinica, ali zvučnost je prirodnija od izlaznih jedinica sisntisajzera formanata. Mane sinteze dvoglasa su to što imaju akustičke smetnje pri povezivačkoj sintezi, kao i to što zvuče poput robota u formantskoj sintezi i imaju samo nekoliko prednosti bilo kog pristupa i pored male veličine. Kao takva, upotreba sinteze dvoglasa u komercijalne svrhe opada, ali se i dalje koristi u istraživanjima jer sadrži brojne besplatno dostupne softverske alatke.

Sinteza specifičnih domena

Sinteza specifičnih domena sakuplja prethodno snimljene reči i fraze da bi sastavila cele rečenice. Koristi se u aplikacijama gde je raznovrsnost tekstova koje će sistem izvršiti ograničen na određeni domen, kao što je prelazni plan najavljivanja vremenske prognoze. Tehnologiju je veoma jednostavno sprovesti i koristi se u komercijalne svrhe veoma dugo u uređajima poput sata koji govori i kalkulatorima. Nivo prirodnosti ovih sistema može biti veoma visok jer je raznolikost tipova rečenica ograničena i jer se one u velikoj meri podudaraju sa prozodijom i intonacijom originalnih snimaka.

Zbog ograničenosti ovih sistema rečima i frazama iz njihovih baza podataka, oni se ne koriste u široke svrhe i mogu sintenzovati samo kombinacije reči i fraza koje su programirane. Spajanje reči u prirodnom izgovornom jeziku može i dalje zadavati probleme osim ako su mnoge varijacije uzete u obzir. Na primer, u nerotičkim dijalektima engleskog jezika <r> u rečima poput <clear> se izgovara uglavnom samo kada sledeća reč za svoje prvo slovo ima vokal (npr. <clear out> se izgovara ). Ova alternacija ne može biti reprodukovana jednostavnim sistemom povezivanja reči, koji bi zahtevao dodatnu kompleksnost da bude kontekstno osetljiva.

Sinteza formanata

Sinteza formanata ne koristi uzorke ljudskog govora tokom izvršenja. Umesto njih, izlazni podaci sintezovanog govora kreiraju se korišćenjem akustičkog modela. Parametri poput nivoa osnovne frekvencije, zvučnosti i glasnoće se menjaju tokom vremena da bi stvorili talasnu formu veštačkog govora. Ovaj metod se ponekad naziva sinteza na bazi pravila; kako bilo, mnoge povezivačke sinteze takođe imaju komponente zasnovane na pravilima.

Mnogi sistemi zasnovani na tehnologiji sinteze govora generišu veštački govor koji zvuči poput govora robota koji se nikako ne bi mogao pomešati sa ljudskim govorom. Maksimalna prirodnost nije uvek cilj sistema sinteze govora i sistemi sinteze formanata imaju prednost u odnosu na povezivačke sisteme. Formantski sintezovan govor može biti pouzdano razumljiv čak i pri veoma velikoj brzini, izbegavajući akustičke smetnje koje obično spajaju povezivačke sisteme. Sintenzovan govor velike brzine koriste osobe sa oštećenim vidom da bi lakše upravljale računarom koristeći čitač ekrana. Sintisajzeri formanata su češće manji programi nego povezivački sistemi jer nemaju bazu podataka sa uzorcima govora. Zbog toga mogu biti korišćeni u ugrađenim sistemima, gde su memorija i snaga mikroprocesora posebno ograničeni. Zato što sistemi bazirani na obradi formanata imaju potpunu kontrolu nad svim aspektima izlaznih jedinica govora, velika raznovrsnost prozodije i intonacija može se čuti u izlaznim jedinicama prenoseći tako ne samo pitanja i stavove, već i razne emocije i tonove glasa.