Технология преобразования текста в речь - это программное обеспечение, которое принимает текст на вход и выдает на выходе звуковую речь. Другими словами, текст переходит в речь, что делает TTS одной из наиболее удачных технологий цифровой революции. Программное обеспечение, превращающее текст в речь, имеет множество названий: преобразователь текста в речь, TTS-движок, TTS-инструмент. Все они означают одно и то же.
Независимо от того, как вы его называете, полноценная система TTS состоит как минимум из двух компонентов: программы, которая предсказывает наилучшее произношение любого текста, и программы, которая создает голосовые звуковые волны; она называется вокодером.
Технология преобразования текста в речь - это междисциплинарная область, требующая детальных знаний в самых разных науках. Если вы хотите создать систему TTS с нуля, вам придется изучить следующие предметы:
- Лингвистика - научное исследование языка. Чтобы синтезировать связную речь, системам TTS необходимо распознавать, как письменный язык произносится человеком. Для этого необходимо знать лингвистику вплоть до уровня фонем - звуковых единиц, которые в совокупности составляют речь. Чтобы добиться действительно реалистичного TTS, система также должна предсказывать соответствующую просодию - элементы речи, выходящие за рамки фонем, такие как ударения, паузы и интонация.
- Обработка аудиосигнала, создание цифровых представлений звука и манипулирование ими. Аудиосигналы (речь) - это электронные представления звуковых волн. Речевой сигнал представляется в цифровом виде как последовательность чисел. В контексте TTS ученые-логопеды используют различные представления функций, которые описывают дискретные аспекты речевого сигнала, что позволяет обучать модели ИИ для генерации новой речи.
- Искусственный интеллект, в частности глубокое обучение - тип машинного обучения, в котором используется вычислительная архитектура, называемая глубокой нейронной сетью (DNN). Нейронная сеть - это вычислительная модель, вдохновленная человеческим мозгом. Она состоит из сложных сетей процессоров, каждый из которых выполняет свою задачу по обработке данных, а затем отправляет свой результат другому процессору. Обученная DNN выбирает оптимальный путь обработки для достижения точных результатов. Эта модель обладает большой вычислительной мощностью, что делает ее идеальной для обработки огромного количества переменных, необходимых для высококачественного синтеза речи.