Beszédszintetizáló

Beszédszintetizáló rendszer olyan technológia, amely szöveges bemenet alapján hangzó beszédet állít elő. Célja a beszédalapú kommunikáció megkönnyítése és az információ könnyebb hozzáférhetősége, például látássérültek számára, automatikus felolvasásban vagy navigációs rendszerekben.

Az eljárás több lépésben zajlik: szövegnormalizálás, fonetikus átadás (grapheme-to-phoneme átalakítás), prosodikus tervezés (hangsúly, tempó, dallam), ezt követi az akusztikus modell és végül a hullámforma generálása. Választott megoldás szerint lehet concatenative (előre rögzített beszédegységek összefűzése), parametric vagy neurális/end-to-end TTS; neurális rendszerek gyakran használnak vokodereket a természetes hangzás érdekében.

Alkalmazási területek: segédeszközök látássérülteknek, ügyfélszolgálat, navigáció, oktatás és médiatermékek. A nyelvi támogatás és az akcentusok kezelése rendszerenként változik; a minőséget általában intelligibilitás és MOS-szerű értékelésekkel mérik.

Etikai és jogi szempontok között szerepel az adatvédelmi és szerzői jogi kérdések kezelése, valamint a hangokkal és érzelmi tónussal kapcsolatos visszaélések megelőzése. Jövőbeni trend a neurális TTS és end-to-end modellek továbbfejlesztése, amelyek egyre természetesebb hangzást adnak.