Synteza mowy (TTS): jak komputer czyta tekst na głos

Synteza mowy (TTS, Text-to-Speech) to technologia, która zamienia napisany tekst na brzmiącą ludzką mowę. Nowoczesne głosy neuronowe brzmią prawie jak prawdziwi ludzie.

Prostymi słowami

Stare głosy nawigacji brzmiały jak robot czytający sylabami: „Za. Dwieście. Metrów. Skręć. W prawo”. Składano je z kawałków nagrań jak wyklejankę. Nowoczesna synteza jest jak lektor, który czyta z wyrazem: robi pauzy, akcenty, a nawet się śmieje, gdzie trzeba.

Jak to działa

1. Program analizuje tekst: dzieli na zdania, ustala akcenty, odczytuje liczby i skróty.
2. Sieć neuronowa przewiduje, jak ma brzmieć mowa: intonację, tempo, pauzy.
3. Inna część modelu (wokoder) zamienia to na prawdziwą falę dźwiękową.
4. Można wybrać głos, szybkość i emocje.
5. Najlepsze modele działają w czasie rzeczywistym, prawie bez opóźnienia.

Gdzie to zobaczysz

Nawigacje, asystenci głosowi, czytanie artykułów i książek, funkcje ułatwień dostępu dla osób słabowidzących (TalkBack, VoiceOver), automatyczne komunikaty, filmy z lektorem, asystenci AI, z którymi rozmawia się głosem.

Czy to ważne przy wyborze

W sprzęcie zwróć uwagę na obsługę języka polskiego w asystencie głosowym i funkcji „czytaj na głos”. W nauce to wygodne: możesz słuchać notatek w drodze. I pamiętaj: synteza mowy to też podstawa klonowania głosu, więc nie ufaj każdemu „znajomemu” głosowi w telefonie.

Mity

• Mit: Syntetyczny głos zawsze brzmi jak robot. W rzeczywistości: Nowoczesne głosy neuronowe często prawie nie da się odróżnić od prawdziwych.
• Mit: Synteza mowy dobrze działa tylko po angielsku. W rzeczywistości: Jakość w wielu innych językach, także po polsku, w ostatnich latach wyraźnie wzrosła, choć akcenty w rzadkich słowach wciąż bywają błędne.

Częste pytania

Jak włączyć czytanie tekstu na głos w telefonie?

Na Androidzie - przez funkcję „Czytanie zaznaczonego tekstu” albo TalkBack, na iPhonie - przez „Mów zaznaczenie” w ustawieniach dostępności.

Czy synteza działa bez internetu?

Podstawowe głosy - tak, najbardziej realistyczne często wymagają internetu.

Czy mogę stworzyć własny głos do syntezy?

Tak, nazywa się to klonowaniem głosu.

Powiązane pojęcia

Rozpoznawanie mowy, Klonowanie głosu, Tłumaczenie rozmów na żywo, AI na urządzeniu