Waarom gesynthetiseerde spraak zo verschrikkelijk klinkt?

We hebben tricorders , teleportatie en dynamische touchscreen-interfaces , maar niet de meest alledaagse voorspelling van Star Trek en talloze andere sci-fi franchises: mensachtige gesynthetiseerde spraak.

Degenen onder jullie die niet naar gesynthetiseerde spraak hebben geluisterd sinds de laatste keer dat je keek Een korte geschiedenis van de tijd , bereid je voor om verrast te worden door de gebrek aan vooruitgang . Hier is Roger Ebert die een tekst-naar-spraak-synthesizer gebruikt die voorgeprogrammeerd is met zijn eigen stem:

En hier, alleen ter referentie, is iets niet minder begrijpelijk en slechts een klein beetje meer robotachtig, alleen is het ongeveer 25 jaar oud en draait het op een computer met ongeveer 1/62.000ste van het geheugen:

Als dit de stand van de techniek is, is het dan een wonder dat de Auteursgilde lijkt er niet meer om te geven dat de iPad, net als de Kindle, een document hardop kan voorlezen?

Toegegeven, het vergelijken van Ebert's Speech Generating Device (SGD) met Hawking's onthult dat we nu de mogelijkheid hebben om een ​​computer te maken Robby -achtige stem klinkt zoiets als de persoon wiens stem een ​​SGD moet vervangen - een goede eerste stap in het gebruik van deze apparaten voor patiënten met degeneratieve ziekten zoals ALS of, in het geval van Ebert, een verlies als gevolg van kanker.

SGD's die als een individu klinken, zijn mogelijk vanwege wat bekend staat als op gegevens gebaseerde spraaksynthese of aaneengeschakelde spraaksynthese. Deze techniek wordt gebruikt in combinatie met spraakbankieren , waarin een gebruiker die weet dat hij de kracht van spraak verliest, uren van tevoren vastlegt.

Gesynthetiseerde versus aaneengeschakelde spraak

In tegenstelling tot echt gesynthetiseerde spraak, een gigantische taak waarbij een programmeur een stem vanaf het begin moet genereren met alleen aanpassingen van basisgeluiden, maakt spraaksynthese op basis van gegevens gebruik van een bibliotheek van uren natuurlijke spraak, waarbij korte delen ervan worden afgespeeld om elke woord in de doeltaal. Het lijkt een beetje op het verschil tussen old-school muzieksynthesizers en sampling.

Monofoons, Diphones, Triphones…

Op data gebaseerde spraaksynthese heeft een aantal problemen. De eerste is dat het spraak componeert uit difonen - paren woordgeluiden. Dit is behoorlijk rekenintensief: elk woord dat de SGD spreekt, moet zijn samengesteld uit meerdere difonen die het moet identificeren in zijn bestaande database.

Dit betekent duizenden en duizenden difonen, en toch zijn de woorden die we spreken niet slechts aaneenschakelingen van klankparen; sommige woorden zijn verzamelingen van geluiden op zichzelf, en difonen die twee woorden gemeen hebben, klinken misschien niet goed in een derde, waarvoor een driefoon of zelfs iets meer nodig zou kunnen zijn. Het is gemakkelijk in te zien hoe het aantal mogelijke combinaties waaruit een SGD zou moeten kiezen, al snel een hardnekkig probleem wordt wanneer men verder gaat dan eenvoudige twee-geluidseenheden.

Het monotone probleem

Zelfs de beste commercieel verkrijgbare aaneengeschakelde spraaksystemen proberen niet eens het probleem van nadruk te overwinnen. In normale spraak brengen we emoties over via een reeks trucs - pauzes, de timing van lettergrepen, toon. Zelfs in het laboratorium zijn de beste pogingen om emoties zoals woede en angst om te zetten in gesynthetiseerde spraak breng deze gevoelens slechts ongeveer 60% van de tijd met succes over ( pdf hier ), en de cijfers zijn nog erger van vreugde.

Net als kunstmatige intelligentie, spraakherkenning en computervisie, is spraaksynthese een van de functies die mensen gemakkelijk uitvoeren en die we tot nu toe ongelooflijk moeilijk te reproduceren hebben gevonden in silico .

Volg Mims op Twitter of neem contact met hem op via e-mail .

zich verstoppen