Talsyntesprogram

Talsyntesprogram, ofta kallat text-till-tal (TTS), är programvara som omvandlar skriven text till tal. En fullständig TTS-lösning består vanligtvis av flera delar: textförbehandling och normalisering som gör om förkortningar, siffror och symboler till talform; språklig och prosodisk planering som avgör uttal, betoning och rytm; samt själva ljudsynthesen som genererar ljudvågor. Målet är att producera tal som är klart och naturligt för användaren.

Syntesmetoderna kan delas in i flera grupper. Konkatenerativ syntes bygger på att klippa och sätta samman inspelade ljudenheter eller fonem, medan formant-syntes simulerar mänskliga vokalorgan för att skapa röstljud. Under de senaste åren har neurala TTS-system vuxit fram och erbjuder helt syntetiska röster med hög naturalitet genom djupa neurala nätverk och vocoders. Moderna system kombinerar ofta språklig modellering, prosodi och röstprofilering för att efterlikna mänsklig variation och uttryck.

Användningsområden inkluderar tillgänglighet för synskadade, assistiv teknik i mobiltelefoner och datorer, utbildning, kundtjänst och multimediaproduktion. Offlinesystem kan användas utan internetanslutning, medan online-tjänster ofta erbjuder flera röster och språk däribland svenska.

Vanliga exempel på programvaror är open-source-lösningar som eSpeak, Festival och MaryTTS, samt kommersiella tjänster som Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Text-to-Speech och IBM Watson Text to Speech. Dessa system stöder ofta flera språk och dialekter, och kräver olika licensformer och användningsvillkor.