Beszédszintézis

A beszédszintézis olyan számítógépes technológia, amely szövegből vagy más bemeneti adatokból emberi beszédet állít elő. A generált beszéd általában érthető és kifejező, és gyakran használják képernyőolvasókban, hangalapú asszisztensekben, navigációs rendszerekben és egyéb beszédalapú alkalmazásokban.

Historikusan több megközelítés alakult ki. A korai rendszerek szabályalapú átírásra és fonetikai transzkripcióra támaszkodtak. A 1980–1990-es években a konkatenatív szintézis egységhangokat kapcsolt össze a beszédfolyamat érzetéért. A 2000-es években a statisztikai paraméteres modellek (például HMM-alapú szintézis) adtak jobb kontrollt a nyelvi és akusztikai tulajdonságok felett. Az utóbbi években a neurális szintézis, például Tacotron, WaveNet és FastSpeech típusú modellek forradalmasították a területet, lehetővé téve természetesebb beszédet.

Fő összetevők: szöveg-normalizálás és grapheme-to-phoneme átalakítás, nyelvtani és prosodiai tervezés a hangmagasság, időzítés és hangsúlyozás meghatározásához, valamint maga a szintézis. A megközelítések közé tartozik a konkatenatív szintézis, a formant szintézis és a neurális szintézis. A neurális módszerek lehetővé teszik változó beszédstílusok, érzelmi kifejezés és felhasználói személyre szabás beállítását is.

Alkalmazási területek közé tartozik a képernyőolvasók, oktatási segédanyagok, navigációs és információs rendszerek, virtuális asszisztensek, és beszédalapú interfészek. Kihívások: természetesebb, kontextusfüggetlen hangzás elérése, többnyelvűség, dialektusok és akcentusok kezelése, valamint etikai és jogi kérdések a hangmásolatok és hangklónok használatával kapcsolatban.

Értékelés és szabványok: MOS (mean opinion score), ABX vagy MUSHRA típusú tesztek mérik a természetességet és érthetőséget. Szabványosítási keretek között gyakran használják az SSML-t, amely lehetővé teszi a beszédhangok, hangsáv és prosódia finomhangolását.