Синтез мовлення (TTS): як комп'ютер читає текст уголос
Синтез мовлення (TTS, Text-to-Speech) - це технологія, яка перетворює написаний текст на звучну людську мову. Сучасні нейромережеві голоси звучать майже як живі люди.
Простими словами
Старі голоси навігаторів звучали як робот, що читає по складах: «Через. Двісті. Метрів. Поверніть. Праворуч». Їх збирали зі шматочків записів, як аплікацію з вирізок. Сучасний синтез - як актор озвучування, що читає з виразом: робить паузи, наголоси і навіть сміється, де треба.
Як це працює
- Програма аналізує текст: розбиває на речення, визначає наголоси, читає числа і скорочення.
- Нейромережа передбачає, як має звучати мовлення: інтонацію, темп, паузи.
- Інша частина моделі (вокодер) перетворює це на реальну звукову хвилю.
- Можна обирати голос, швидкість і емоцію.
- Найкращі моделі працюють у реальному часі і майже без затримки.
Де ти це побачиш
Навігатори, голосові асистенти, озвучення статей і книжок, функції доступності для людей із порушеннями зору (TalkBack, VoiceOver), автоматичні оголошення, відеоролики з закадровим голосом, ШІ-асистенти, з якими можна говорити голосом.
Чи важливо це при виборі
Для техніки - зверни увагу на підтримку української в голосовому асистенті і функції «читати вголос». Для навчання це зручно: можна слухати конспект у дорозі. І пам'ятай: синтез мовлення - це також основа клонування голосу, тож не вір кожному «знайомому» голосу в дзвінку.
Міфи
- Міф: Синтезований голос завжди звучить як робот. Насправді: Сучасні нейромережеві голоси часто майже неможливо відрізнити від живих.
- Міф: Українською синтез погано працює. Насправді: Якість українських голосів за останні роки помітно зросла, хоча наголоси в рідкісних словах ще бувають неправильними.
Часті питання
Як увімкнути читання тексту вголос на телефоні?
В Android - через функцію «Озвучення вибраного» або TalkBack, на iPhone - через «Промовляння» в налаштуваннях доступності.
Чи працює синтез без інтернету?
Базові голоси - так, найреалістичніші часто потребують інтернету.
Чи можна створити свій голос для синтезу?
Так, це називають клонуванням голосу.
Пов'язані терміни
Розпізнавання мовлення, Клонування голосу, Живий переклад дзвінків, ШІ на пристрої