Röstsyntes

Röstsyntes, eller text-till-tal (TTS), är tekniken att omvandla skriven text till artificiell tal som kan låta som en mänsklig röst. Systemen används i skärmläsare, navigationsenheter, smarta assistenter, audiounderhållning och många andra applikationer där tal behövs utan mänsklig uppläsning. Senaste åren har naturaliteten och anpassningsbarheten ökat betydligt, särskilt i flera språk inklusive svenska.

Det finns två huvudmetoder inom området. Concatenativ röstsyntes bygger på att samla och återanvända ljudsegment ur inspelade talbibliotek för att bilda nya meningar. Parametrisk eller neuralt baserad röstsyntes använder statistiska modeller eller djupa neurala nätverk för att producera tal från text utan att behöva omfattande ljudsnuttar. Neurala metoder, ofta tillsammans med neural vocoders, kan uppnå mycket naturligare prosodi och klang än tidigare tekniker.

Processen för röstsyntes innehåller flera steg: textnormalisering och språklig bearbetning, grafem- till fonem‑omvandling, prosodimodellering (till exempel rytm, betoning och tonhöjd) och slutligen återgivning av ljudvågor genom en vocoder. Modeller tränas på stora uppsättningar av inspelat tal och textdata för att lära sig hur ord och meningar låter i olika sammanhang.

Utmaningar inkluderar att skapa naturlig och varierad prosodi, upprätthålla tydlighet över olika språk och dialekter, samt att hantera emotionell färg och talaridentitet. Etiska frågor uppstår kring upphovsrätt, samtycke och risken för missbruk som röstförfalskning. Röstsyntesens utveckling drivs av både kommersiella och öppna initiativ som riktar sig mot bred språk- och tillgänglighetsnytta.

Exempel på tillgängliga system och projekt inkluderar kommersiella tjänster som Google TTS, Amazon Polly och Microsoft Azure TTS, samt öppen källkodsprojekt som Festival, MaryTTS och Mozilla TTS.