puhesynteesi

Puhesyntetisaatio, eli puhuttavan äänen synteesi tietokoneen avulla, muuntaa kirjoitetun tai muun tekstin luonnollisen kuuloiseksi puheeksi. Tekniikkaa käytetään muun muassa saavutettavuudessa, puheassistentteina ja ajoneuvojen sekä palveluiden käyttöliittymissä. Puhesyntetisaation yleisimmät toteutustavat voidaan jakaa perinteisiin ja neuroverkkopohjaisiin menetelmiin.

Perinteiset lähestymistavat jakautuvat pääosin konkatinaatio- ja sääntöpohjaisiin menetelmiin. Konkatinaatiossa pienistä ääninäytteistä muodostetaan kokonainen puheääni, jolloin luonnollisuus riippuu käytössä olevien äänitteiden laadusta ja kattavuudesta. Sääntöpohjaisessa lähestymistavassa käytetään ennalta määriteltyjä äänne- ja prosodian malleja, jolloin puhe voidaan generoida ilman suuria ääninäytteitä. Viime vuosina on yleistynyt neuroverkkopohjainen puhesyntetisaatio, johon kuuluvat malleja hyödyntävät järjestelmät kuten Tacotron- ja Flow-based sekä WaveNettityyppiset ratkaisut. Näiden avulla voidaan tuottaa erittäin luonnollista ja sujuvaa puhetta sekä paremmin hallittua rytmiä ja intonaatiota.

Prosessi alkaa tekstin normalisoinnilla ja kirjoitetulta tekstiltä puhe-älykäs muuntaminen (graphemem-to-phoneme). Tämän jälkeen säädetään prosodia (rytmi, korkeus, kesto) sekä mahdolliset viittaukset ja korostukset, ja lopuksi muodostetaan äänisignaali joko äänitteiden yhdistämisellä tai generatiivisella mallilla. Puhetta voidaan säätää eri puhujien, aksentin tai vireen mukaan, ja monipuolinen tuki mahdollistaa useat kielet.

Sovelluksissa käytetään laajoja kielimalleja ja usein SSML-merkintäkieltä ohjaamassa puheen esittämistä. Valmiita työkaluja ja kirjastoja ovat muun muassa avoimen lähdekoodin projektit sekä kaupalliset ratkaisut. Haasteita ovat luonnollisuuden ja kontekstuaalisen ymmärryksen parantaminen sekä eettiset näkökulmat, kuten äänien kloonaaminen ja väärän tiedon syntyminen.