211service.com
Varför syntetiserat tal låter så hemskt
Vi har tricorders , teleportering och dynamiska pekskärmsgränssnitt , men inte den mest vardagliga förutsägelsen av Star Trek och otaliga andra sci-fi-serier: mänskligt syntetiserat tal.
De av er som inte har lyssnat på syntetiserat tal sedan du senast tittade En kort historia av tid , förbered dig på att bli överväldigad av bristande framsteg . Här är Roger Ebert som använder en text-till-tal-syntes förprogrammerad med sin egen röst:
Och här, bara för referens, är något inte mindre begripligt och bara en smula mer robotiskt, bara det råkar vara ungefär 25 år gammalt och körs på en dator med ungefär 1/62 000:e av minnet:
Om detta är den senaste tekniken, är det konstigt att Author's Guild verkar inte längre bry sig att iPad, liksom Kindle, kan läsa ett dokument högt?
Visst, en jämförelse av Eberts Speech Generating Device (SGD) med Hawkings avslöjar att vi nu har förmågan att göra en dators Robby -liknande röst låter ungefär den person vars röst en SGD är avsedd att ersätta - ett bra första steg i att använda dessa enheter för drabbade av degenerativa sjukdomar som ALS eller, i Eberts fall, en förlust på grund av cancer.
SGDs som låter som en individ är möjliga på grund av vad som kallas databaserad talsyntes eller konkatenativ talsyntes. Denna teknik används tillsammans med röstbank , där en användare som vet att de kommer att förlora talets kraft registrerar timmar i förväg.
Syntetiserat kontra sammanlänkade tal
Till skillnad från verkligt syntetiserat tal, en häftig uppgift som kräver att en programmerare genererar en röst från grunden med endast modifieringar av grundläggande ljud, bygger databaserad talsyntes på ett bibliotek med timmar av naturligt tal, och spelar upp korta delar av det för att komponera något ord på målspråket. Det är lite som skillnaden mellan gammaldags musiksyntar och sampling.
Monofoner, difoner, trifoner...
Databaserad talsyntes har ett antal problem. Den första är att den komponerar tal från difoner - par av ordljud. Detta är ganska beräkningsintensivt: varje ord som SGD säger måste vara sammansatt av flera difoner som den måste identifiera i sin befintliga databas.
Detta betyder tusentals och åter tusentals difoner, och ändå är orden vi talar inte bara sammanlänkningar av par av ljud; vissa ord är samlingar av ljud för sig själva, och difoner som är gemensamma för två ord kanske inte låter rätt i ett tredje, vilket kan kräva en trifon eller till och med något mer. Det är lätt att se hur antalet möjliga kombinationer som en SGD måste välja mellan snabbt blir ett svårlöst problem när man går bortom enkla tvåljudsenheter.
Det monotona problemet
Även de bästa kommersiellt tillgängliga sammanlänkade talsystemen försöker inte ens övervinna problemet med betoning. I normalt tal förmedlar vi känslor genom en rad tricks - pauser, timing av stavelser, ton. Även i labbet, de bästa försöken att sätta känslor som ilska och rädsla i syntetiserat tal framgångsrikt förmedla dessa känslor bara cirka 60 % av tiden ( pdf här ), och siffrorna är ännu värre av glädje.
Liksom artificiell intelligens, taligenkänning och datorseende är talsyntes ytterligare en av de funktioner som människor utför lätt som vi hittills har haft otroligt svårt att reproducera in silico .
