puheteknologiassa

Puheteknologia viittaa tietokonejärjestelmiin ja ohjelmistoihin, jotka mahdollistavat ihmispuheen käsittelyn ja tuottamisen. Se jakautuu karkeasti kahteen pääalueeseen: puheentunnistukseen (ASR, Automatic Speech Recognition) ja puhesynteesiin (TTS, Text-to-Speech). Puheentunnistus muuntaa puhutun kielen tekstimuotoon, kun taas puhesynteesi muuntaa tekstin puhutuksi puheeksi.

Puheentunnistusteknologia on kehittynyt merkittävästi viime vuosikymmeninä, ja sitä käytetään laajasti äänikomennoissa, puhelinpalveluissa, transkriptiopalveluissa ja puheohjatuissa käyttöliittymissä. Sen taustalla on monimutkaisia algoritmeja, kuten piilomarkov-malleja (HMM) ja nykyään yhä enemmän neuroverkkoja, jotka analysoivat äänisignaaleja ja vastaavat niitä sanoiksi ja lauseiksi. Tekoälyllä ja koneoppimisella on keskeinen rooli puheentunnistuksen tarkkuuden parantamisessa.

Puhesynteesin tavoitteena on luoda luonnollisen kuuloisia puheääniä tietokoneella. Alkuvaiheen järjestelmät tuottivat robottimaista puhetta, mutta nykyään kehittyneet TTS-järjestelmät pystyvät tuottamaan erittäin ihmismäistä puhetta, johon voi sisältyä erilaisia sävyjä ja tunteita. Tätä teknologiaa käytetään esimerkiksi lukulaitteissa, opastusjärjestelmissä ja virtuaaliavustajissa. Puhesynteesin eri menetelmiä ovat muun muassa ketjupohjainen synteesi (concatenative synthesis) ja parametripohjainen synteesi (parametric synthesis), joista neuroverkkoihin perustuvat menetelmät ovat nykyään yleistymässä.

Yhdistettynä puheentunnistus ja -synteesi muodostavat perustan monille vuorovaikutteisille sovelluksille, jotka mahdollistavat saumattomamman kommunikoinnin ihmisen ja koneen välillä.