Kāpēc sintezētā runa izklausās tik šausmīgi

Mums ir trikorderi , teleportācija un dinamiskas skārienekrāna saskarnes , taču ne pati ikdienišķākā Star Trek un neskaitāmu citu zinātniskās fantastikas franšīzes prognoze: cilvēkam līdzīga sintezēta runa.

Tie no jums, kuri kopš pēdējās skatīšanās reizes nav klausījušies sintezētu runu Īsa laika vēsture , sagatavojieties, lai jūs varētu nomākt progresa trūkums . Lūk, Rodžers Eberts izmanto teksta pārvēršanas runas sintezatoru, kas iepriekš ieprogrammēts ar viņa paša balsi:

Un šeit, tikai atsaucei, ir kaut kas ne mazāk saprotams un tikai nedaudz robotiskāks, tikai tas ir apmēram 25 gadus vecs un darbojas datorā ar apmēram 1/62 000 atmiņu:

Ja tas ir jaunākais sasniegums, vai ir kāds brīnums, ka Šķiet, ka Autoru ģildei tas vairs nerūp ka iPad, tāpat kā Kindle, var skaļi nolasīt dokumentu?

Protams, salīdzinot Eberta runas ģenerēšanas ierīci (SGD) ar Hokinga ierīci, atklājas, ka tagad mums ir iespēja izveidot datoru Robijs -esque balss izklausās apmēram pēc personas, kuras balsi ir paredzēts aizstāt ar SGD — labs pirmais solis, lai izmantotu šīs ierīces pacientiem ar deģeneratīvām slimībām, piemēram, ALS vai, Eberta gadījumā, vēža izraisītu zaudējumu.

SGD, kas izklausās kā indivīds, ir iespējami tā dēvētā uz datiem balstīta runas sintēze vai konkatenatīvā runas sintēze. Šo paņēmienu izmanto kopā ar balss banka , kurā lietotājs, kurš zina, ka zaudēs runas spēku, reģistrē to stundas iepriekš.

Sintezēta pret sasaistīto runu

Atšķirībā no patiesi sintezētas runas, kas ir neparasts uzdevums, kurā programmētājam ir jāģenerē balss no jauna, izmantojot tikai pamata skaņu modifikācijas, uz datiem balstīta runas sintēze balstās uz dabiskas runas stundu bibliotēku, atskaņojot īsas tās daļas, lai izveidotu jebkuru. vārdu mērķa valodā. Tas nedaudz atgādina atšķirību starp vecās skolas mūzikas sintezatoriem un samplēšanu.

Monofoni, Difoni, Trifoni…

Uz datiem balstītai runas sintēzei ir vairākas problēmas. Pirmais ir tas, ka tas veido runu no difoniem - vārdu skaņu pāriem. Tas ir diezgan skaitļošanas ziņā ietilpīgs: katram vārdam, ko SGD runā, ir jāsastāv no vairākiem difoniem, kas tam ir jāidentificē esošajā datubāzē.

Tas nozīmē tūkstošiem un tūkstošiem difonu, un tomēr vārdi, ko mēs runājam, nav tikai skaņu pāru savienojumi; daži vārdi ir skaņu kopumi paši par sevi, un diviem vārdiem kopīgie difoni var neskanēt pareizi trešajā, tāpēc var būt nepieciešams trifons vai pat kaut kas vairāk. Ir viegli saprast, kā iespējamo kombināciju skaits, no kurām SGD būtu jāizvēlas, ātri kļūst par neatrisināmu problēmu, pārejot ārpus vienkāršām divu skaņu vienībām.

Monotona problēma

Pat labākās komerciāli pieejamās sasaistītās runas sistēmas pat nemēģina pārvarēt uzsvara problēmu. Parastā runā mēs nododam emocijas, izmantojot virkni triku - pauzes, zilbju laiku, toni. Pat laboratorijā labākie mēģinājumi sintezētajā runā iemiesot emocijas, piemēram, dusmas un bailes veiksmīgi nodod šīs sajūtas tikai aptuveni 60% gadījumu ( pdf šeit ), un prieka dēļ skaitļi ir vēl sliktāki.

Tāpat kā mākslīgais intelekts, runas atpazīšana un datorredze, runas sintēze ir vēl viena no funkcijām, ko cilvēki var viegli veikt un ko mums līdz šim ir bijis neticami grūti reproducēt. in silico .

Sekojiet Mimsam Twitter vai sazinieties ar viņu pa e-pastu .

paslēpties