Syntéza řeči

Stephen Hawking byl jeden z nejznámějších lidí, kteří ke komunikaci používali syntézu řeči.

Syntéza řeči je umělá tvorba lidské řeči. Počítačové programy používané k tomuto účelu se nazývají „syntezátory řeči“. Programy „text na řeč“ (text-to-speech, TTS) produkují řeč z textu psaného běžným jazykem; existují i programy, které jako vstup využívají fonetickou transkripci. Řeč může být tvořena spojováním úseků nahrané řeči, které jsou uloženy v databázi. Takovéto databáze mohou obsahovat např. fóny a difóny nebo celá slova. V prvním případě je kvantita možného výsledku upřednostňována před kvalitou, v druhém je to naopak. Některé syntetizátory mohou řeč tvořit simulací charakteristik lidské řeči a vytvářet tak doslova umělou řeč.

Kvalita syntetizátoru řeči se posuzuje podle podobnosti výstupu s lidskou řečí. Schopné programy umožňují lidem se zrakovými vadami nebo poruchami čtení poslouchat psané texty. Mnoho operačních systémů obsahuje syntetizátory řeči od počátku 80. let.

Umělá inteligence

V září 2016 představila společnost DeepMind model WaveNet, který ukázal, že neuronové sítě za použití hlubokého učení dokážou modelovat surové zvukové vlny a generovat řeč z akustických reprezentací, jako jsou spektrogramy. Tím položil základy moderní syntézy řeči založené na hlubokém učení. Původní verze byla výpočetně náročná, avšak o rok později vznikl výrazně rychlejší model Parallel WaveNet. Na to navázal systém Tacotron 2 od Google AI (2018), který dokázal produkovat přirozeněji znějící řeč, ale vyžadoval velké množství trénovacích dat (desítky hodin nahrávek). Při menším objemu dat kvalita výrazně klesala a při velmi krátkém tréninku nebyla řeč ani srozumitelná.

V roce 2019 představila Microsoft Research model FastSpeech, jenž řešil problémy s rychlostí u autoregresivních modelů, jako byl Tacotron 2. Ve stejném roce vznikl také HiFi-GAN, vocoder založený na generativních adversariálních sítích, který umožnil efektivní generování vysoce kvalitní řeči. V roce 2020 byl uveden Glow-TTS, jenž využil flow-based přístup pro rychlou inferenci a zároveň umožnil přenos stylu hlasu mezi různými projevy.

V březnu 2020 byla spuštěna platforma 15.ai, která získala v roce 2021 mezinárodní pozornost díky schopnosti generovat emocionálně expresivní hlasy fiktivních postav s minimem dat. Tvůrce uvedl, že k věrnému napodobení hlasu stačí přibližně 15 sekund záznamu, což znamenalo zásadní snížení datových nároků. Platforma přispěla k popularizaci klonování hlasu v internetové kultuře, ale také k prvním případům zneužití, například podvodu s NFT v roce 2022.

V roce 2023 uvedla společnost ElevenLabs vlastní webovou službu pro syntézu řeči s pokročilou analýzou kontextu a emocí. V roce 2024 pak OpenAI potvrdila možnost klonování hlasu z 15vteřinové nahrávky, avšak svůj nástroj Voice Engine označila za příliš rizikový pro veřejné zpřístupnění.

Odkazy

Reference

V tomto článku byl použit překlad textu z článku Speech synthesis na anglické Wikipedii.

Externí odkazy

• Obrázky, zvuky či videa k tématu syntéza řeči na Wikimedia Commons

Autoritní data	NKC: ph351275 PSH: 13788 MBI: b0f83029-6d38-4f6f-bd30-db44e427f497 NDL: 00575464 NLI: 987007565841305171

Portály: Informační věda a knihovnictví