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: 173
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

14: 01
Siri, сделай погромче. У меня заняты руки (чем?) |
13: 41
Девушка протаранила магазин после отказа в гарантийной замене iPhone |
13: 41
Релиз Calligra 3.0 |
13: 41
Еще один человек умер от инфекции, устойчивой к известным антибиотикам |
13: 41
Mail.Ru Group перевезла в свой офис весь штат Delivery Club |
13: 21
Контрактный производитель Compal Electronics планирует нарастить поставки продукции до 87 млн единиц в 2017 году |
13: 01
Renault открыл российский онлайн-магазин машин со всеми моделями 2016 года |
13: 01
За три года Asus хочет удвоить объёмы продаж смартфонов |
12: 41
Гильдия сценаристов США назвала игровых претендентов на лучший сюжет |
12: 41
Аналитик прогнозирует ослабление позиций MediaTek в этом году |
12: 41
Самые интересные космические фотографии НАСА создал российский музыкант |
12: 41
Как сделать миксер для напитков своими руками? |
12: 21
Официально подтвержден игровой режим Windows 10 |
12: 01
В Норвегии отключают аналоговое радиовещание |
12: 01
Mail.Ru Group представила брендированные профили для сервиса «Ответы» |
11: 21
Отбеливаем зубы: всё, что нужно знать про умную зубную щётку (а ещё она подключается к iPhone) |
11: 21
Опубликована еще одна реальная фотография смартфона Samsung Galaxy S8 |
11: 01
Световые столпы в небе: загадочное природное явление |
11: 01
Polystilo Savana: пластиковый автомобиль из Бразилии |
11: 01
Microsoft приобрела специалистов по искусственного интеллекту Maluuba |
10: 41
Модульный смартфон Essential может получить SoC Snapdragon 835 и 4 ГБ ОЗУ |
10: 01
Сделки за неделю: Новости российского венчурного рынка с 26 декабря по 15 января |
10: 01
Zera — домашнее устройство для переработки остатков еды |
09: 41
Россияне выиграли Dakar 2017 в двух зачётах! |
09: 41
В МГУ появится космический факультет |
09: 21
Похоже, что iPad мёртв. Прощай, дружище |
09: 21
Южнокорейская прокуратура потребовала арестовать фактического руководителя Samsung по делу о коррупции президента |
09: 01
Как работают современные лампочки? |
09: 01
Кока-кола вместо масла: что случится с двигателем автомобиля |
09: 01
Wileyfox Swift 2X — металлический смартфон для поклонников Cyanogen OS |
08: 21
Мобильное приложение позволит родителям устанавливать ограничения для консоли Switch |
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