Новости бизнесаСтатьиАналитические колонкиДеньгиКурс валютБизнес технологии
Главная > Новости бизнеса > Hi-Tech > Как это работает? Синтез речи

Как это работает? Синтез речи

Четверг, 6 октября 2016 г.

Следите за нами в ВКонтакте, Facebook'e и Twitter'e

Многим из вас наверняка доводилось управлять компьютером или смартфоном с помощью голоса. Когда вы говорите Навигатору «Поехали на Гоголя, 25» или произносите в приложении Яндекс поисковый запрос, технология распознавания речи преобразует ваш голос в текстовую команду. Но есть и обратная задача: превратить текст, который есть в распоряжении компьютера, в голос. 

Если набор текстов, которые надо озвучить, относительно невелик и в них встречаются одни и те же слова — как, например, в объявлениях об отправлении и прибытии поездов на вокзале, — достаточно пригласить диктора, записать в студии нужные слова и фразы, а затем собрать из них сообщение. С произвольными текстами, однако, такой подход не работает. Здесь пригодится технология синтеза речи.

В Яндексе для озвучивания текстов используется технология синтеза речи из комплекса Yandex Speechkit. Она,  например, позволяет узнать, как произносятся слова и фразы в Переводчике. Ей также обязан своим голосом Автопоэт — его стихи мы будем использовать как примеры.

Подготовка текста

Задача синтеза речи решается в несколько этапов. Сначала специальный алгоритм подготавливает текст для того, чтобы роботу было удобно его читать: записывает все числа словами, разворачивает сокращения и так далее. Затем текст делится на фразы, то есть на словосочетания с непрерывной интонацией — для этого компьютер ориентируется на знаки препинания и устойчивые конструкции. Для всех слов составляется их фонетическая транскрипция. Например, «какого» поменяется на «какова», ведь иначе робот так и прочитал бы это слово — окая и через «г».



Чтобы понять, как читать слово и где поставить в нём ударение, робот сначала обращается к классическим, составленным вручную словарям, которые встроены в систему. Если в нужного слова в словаре нет, компьютер строит транскрипцию самостоятельно — опираясь на правила, заимствованные из академических справочников. Наконец, если обычных правил оказывается недостаточно —, а такое случается, ведь любой живой язык постоянно меняется, — он использует статистические правила. Если слово встречалось в корпусе тренировочных текстов, система запомнит, на какой слог в нём обычно делали ударение дикторы.

Произношение и интонирование

Когда транскрипция готова, компьютер рассчитывает, как долго будет звучать каждая фонема, то есть сколько в ней фреймов — так называют фрагменты длиной 25 миллисекунд. Затем каждый фрейм описывается по множеству параметров: частью какой фонемы он является и какое место в ней занимает; в какой слог входит эта фонема; если это гласная, то ударная ли она; какое место она занимает в слоге; слог — в слове; слово — в фразе; какие знаки препинания есть до и после этой фразы; какое место фраза занимает в предложении; наконец, какой знак стоит в конце предложения и какова его главная интонация.

Другими словами, для синтеза каждых 25 миллисекунд речи используется множество данных. Информация о ближайшем окружении обеспечивает плавный переход от фрейма к фрейму и от слога к слогу, а данные о фразе и предложении в целом нужны для создания правильной интонации синтезированной речи.



Чтобы прочитать подготовленный текст, используется акустическая модель. Она отличается от акустической модели, которая применяется при распознавании речи. В случае с распознаванием модели нужно установить соответствие между звуками с определёнными характеристиками и фонемами. В случае с синтезом акустическая модель, должна, наоборот, по описаниям фреймов составить описания звуков.

Откуда она знает, как правильно произнести фонему или придать верную интонацию вопросительному предложению? Она учится на текстах и звуковых файлах. Например, в неё можно загрузить аудиокнигу и соответствующий ей текст. Чем больше данных, на которых учится модель, тем лучше её произношение и интонирование.

Голоса

Наконец, о самом голосе. Узнаваемыми наши голоса, в первую очередь, делает тембр, который зависит от особенностей строения органов речевого аппарата у каждого человека. Тембр вашего голоса можно смоделировать, то есть описать его характеристики — для этого достаточно начитать в студии небольшой корпус текстов. После этого данные о вашем тембре можно использовать при синтезе речи на любом языке, даже таком, которого вы не знаете. Когда роботу нужно что-то сказать вам, он использует генератор звуковых волн — вокодер. В него загружается информация о частотных характеристиках фразы, полученная от акустической модели, а также данные о тембре, который придаёт голосу узнаваемую окраску.

В качестве примера мы озвучили два последних предложения предыдущего абзаца разными голосами — мужским и женским:





***

Подробнее о технологиях из комплекса Yandex SpeechKit можно узнать на этой странице или на специальном ресурсе. Если вы разработчик и хотите протестировать облачную или мобильную версию SpeechKit, поищите информацию на сайте, посвящённом технологиям Яндекса.

Следите за нами в ВКонтакте, Facebook'e и Twitter'e


Просмотров: 223
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

15: 00
10 самых умных животных |
15: 00
«Паша, открывай – это Роскомнадзор» или как на Руси Telegram «брали» |
15: 00
В чикагском Apple Store крышу сделали из огромного MacBook |
15: 00
Разведка ископаемых оставляет в океане двухкилометровые мёртвые зоны |
15: 00
Модный дом Podium Market прекратил работу и передал часть магазинов владельцам Stockmann |
14: 40
Стоит ли доверять онлайн-казино с играми от IGT |
14: 40
Названы цены объективов Sigma 24-70mm F2.8 DG HSM OS Art и Sigma 14mm F1.8 DG HSM Art, начат прием предварительных |
14: 40
«OnePlus 5, тьфу на тебя еще раз!»: устаревший дисплей, странная камера |
13: 00
Видели такой гибрид PS4 и Xbox One? Да, это необычная игровая Xstation |
12: 40
Расширенные настройки фильтрации в Вебмастере |
12: 40
Первое видео из кабины гоночного беспилотника |
12: 20
digiKam 5.6 |
12: 00
Bloomberg: Airbnb запустит премиум-сервис аренды жилья для конкуренции с отелями |
11: 20
Ubuntu переходит на формат сетевой конфигурации netplan |
11: 00
Золотой Elephone S8 показался на видео |
11: 00
Виртуальная реальность с VR180: совсем как в жизни |
10: 40
Картошку превратили в электронного питомца на колесах |
10: 40
В Steam стартовала масштабная летняя распродажа |
10: 40
Фестиваль «Битва тысячи мечей. Рагнарёк»: 15 июля в Коломенском |
10: 40
Kodak при поддержке Archos выпускает фирменные планшеты формата 7 и 10 дюймов |
10: 40
В Солнечной системе может существовать еще одна планета вроде Марса |
10: 40
Назван сайт, который привел к блокировке Google |
10: 40
Стало известно название следующего фильма во вселенной «Парка Юрского Периода» |
10: 20
Представлено новое видео Hellblade: Senua"s Sacrifice |
10: 20
Появилась первая демонстрация Beyond Good & Evil 2 на движке |
10: 20
В Google не одобряют скорости, на которых работает OnePlus 5 |
10: 20
В России узнали состав биотоплива из водорослей |
10: 20
Неудачная парковка вертолёта: винт крушит дом |
10: 20
За первый месяц в России было продано почти 56 тысяч Samsung Galaxy S8 |
08: 40
Крыша нового Apple Store в Чикаго похожа на MacBook |
08: 40
Как сделать самодвижную картофелину: занимательный опыт |
Новости бизнесаСтатьиАналитические колонкиДеньгиКурс валютБизнес технологии
Rating@Mail.ru
Условия размещения рекламы

Наша редакция

Обратная связь

RosInvest.Com не несет ответственности за опубликованные материалы и комментарии пользователей. Возрастной цензор 16+.

Ответственность за высказанные, размещённую информацию и оценки, в рамках проекта RosInvest.Com, лежит полностью на лицах опубликовавших эти материалы. Использование материалов, допускается со ссылкой на сайт RosInvest.Com.

Skype: rosinvest.com (Русский, English, Zhōng wén).

Архивы новостей за: 2016, 2015, 2014, 2013, 2012, 2011, 2010, 2009, 2008, 2007, 2006, 2005, 2004, 2003