Как это работает? | Синтез речи

13 Июля 2017 в 18:00, Hi-News.ru 1

В прошлом выпуске мы говорили о распознавании речи, сегодня же обсудим обратную задачу. Итак, как происходит синтез речи, или, иными словами, преобразование произвольного текста в голос — об этом в сегодняшнем выпуске!


Задача синтеза речи решается в несколько этапов. Прежде всего специальному алгоритму необходимо подготовить текст, чтобы роботу было удобно его читать: он записывает все числа словами и расшифровывает сокращения. Затем текст разбивается на отдельные словосочетания, которые нужно читать с непрерывной интонацией — для этого система ориентируется на знаки препинания и устойчивые конструкции.

Далее для всех слов составляется фонетическая транскрипция. Чтобы понять, как читать слово и где поставить в нём ударение, система обращается к встроенным, составленным людьми словарям. Если нужное слово в них отсутствует, компьютер строит транскрипцию самостоятельно, опираясь на академические правила. Если же их оказывается недостаточно, в дело вступают статистические правила: система перебирает записи дикторов и определяет, на какой слог они делали ударение.

Когда транскрипция составлена, компьютер рассчитывает, сколько в ней фреймов, или, иными словами, фрагментов длиной 25 миллисекунд. Далее каждый фрейм описывается множеством параметров: частью какой фонемы он является, какое место в ней занимает, в какой слог входит эта фонема. Также описывается ударность или безударность фонемы, в случае если это гласная. Кроме того, система создает правильную интонацию, используя данные о фразе и предложении.

Затем система задействует акустическую модель, чтобы прочитать подготовленный текст. Она устанавливает соответствия между фонемами с определёнными характеристиками и звуками. Акустическая модель знает, как правильно произнести фонему и придать верную интонацию предложению благодаря машинному обучению. Чем больше данных, на которых учится модель, тем лучше выдаваемый ей результат.

Что же касается голосов, то узнаваемыми их делает, в первую очередь, тембр, который зависит от особенностей строения органов речевого аппарата. Тембр любого голоса можно смоделировать, то есть описать его характеристики — для этого достаточно начитать в студии небольшой объем текстов. После этого данные о тембре можно использовать при синтезе речи на любом языке. Когда системе нужно что-то сказать, она использует генератор звуковых волн — вокодер. В него загружается информация о частотных характеристиках фразы, полученная от акустической модели, а также данные о тембре, который придаёт голосу узнаваемую окраску.

Стоит отметить, что современные технологии синтеза речи имеют некоторые проблемы. Первая их них заключается в искусственности. Любая синтезированная речь воспринимается человеком с трудом, и он вынужден задействовать дополнительные ресурсы для ее понимания. Тем самым люди могут нормально воспринимать синтезированную речь только около 20 минут. Также у синтезированной речи, как правило, отсутствует эмоциональная окраска, и она имеет низкую помехоустойчивость. Иными словами, восприятию синтезированной речи человеку мешают любые, даже самые небольшие посторонние шумы.

Как это работает? | Синтез речи

1 комментарий Оставить свой

  1. alexej

    Поневоле читаю книги используя синтезаторы речи уже более десяти лет!!! Систематически. Начинал с самым простым голосовым движком. Программой "говорилка" преобразовывал текст в mp3 файлом и слушал их на плеере вместо музыки. Это было в студенческие годы на пиронах вокзалов, в поездах, в очередях, в маршрутках. Как давно это было... Сейчас пользуюсь читалка и на андроид. Чтобы проверить данный текст я не утруждают глаза, но прослушиваю его. Заявляю со всей ответственностью. К синтезированной речи привыкнуть очень легко, нужно только потерпеть несколько начальных недель, и побольше практики. Был бы стимул или необходимость. Мозг человека идеально приспосабливается. Потом Вас начнет раздражать диктор аудиокниги из-за его излишней эмоциональности:) я могу слушать интересную книгу несколько часов подряд, сколько угодно дней в году. И знаю много людей которые поступают также. Главное перебороть начальное отвращение к машинному голосу. Правда есть один сильный побочный эффект. Когда в ушах постоянно звучат умные тексты-бытовые разговоры (бессмысленная болтовня нормальных людей) начинает раздражать своей непричесанностью. Кроме того ты рискуешь выпасть из реальности, становиться трудно и бессмысленно наводить мостики общения с окружающими. Это значит что нужно дать себе литературную передышку. После "книжной диеты" все опять становиться ок. Ничем в жизни не нужно злоупотреблять. Но одно я знаю точно. Человек может вынести машинную речи гораздо дольше чем 20 минут. Тем более с современными (платными) голосовыми движками. Некоторые женские могут восприниматься даже чуть сексуально (будто диктует молоденькая училка) :) все зависит от настроения и настроя. Тем ни менее, для многих людей эта технология очень полезна, и единственный шанс "читать" много и качественно, и как следствие, обогащать и разнообразить свой внутренний мир.

Новый комментарий

Для отправки комментария вы должны авторизоваться или зарегистрироваться.