Новости бизнесаСтатьиНоу ХауАналитикаДеньгиБизнес технологииКурс валют
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: 241
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

18: 20
Производитель называет Alphacool Eisbaer 420 самой большой готовой системой жидкостного охлаждения |
18: 20
AMD выпустила драйвера для ускорения майнинга (и на этом закрыла тему) |
18: 20
Идеальный смартфон для лета: Samsung рассказала об «отпускных» фишках Galaxy S8 |
18: 20
Под веществами: как экстази влияет на мозг |
18: 00
На Synthposium покажут премьеру документальных фильмов про синтезаторы |
18: 00
Fakelist — сервис для борьбы с контрафактом в рунете |
18: 00
Профессиональный подбор недвижимости для посуточной аренды |
18: 00
Купить Айфон 7 в интернете по отличной цене |
18: 00
Четыре смартфона ASUS Zenfone 4 показались на пресс-рендерах |
13: 20
Qt 4 не войдёт в состав Debian 10 |
13: 20
Apple может создать свой сериал, который сможет составить конкуренцию Game of Thrones |
13: 00
Solus 3 |
13: 00
Опубликовано изображение смартфона Samsung Galaxy Note 8 в цвете Deep Sea Blue |
12: 40
Xiaomi представит свою технологию трехмерного распознавания лиц в четвертом квартале 2017 |
12: 40
Персеиды-2017: как успеть посмотреть на звездопад |
12: 40
Apple тестирует собственный OLED телевизор (секретные фото) |
12: 40
Как встают на якорь гигантские суда: видео-экскурсия |
12: 40
Акционер Gett оценил российский бизнес сервиса в $700 млн |
12: 00
Линейка смартфонов Asus Zenfone 4 показана во всех цветах на официальных изображениях |
11: 40
Вопрос читателям: Куда инвестировать миллион рублей |
11: 40
Велосипед Xiaomi Mi Qicycle Mountain Bike стоит 300 долларов |
11: 00
Основной камере Samsung Galaxy Note 8 приписывают датчики изображения разрешением 12 и 13 Мп |
11: 00
Гарнитура Lenovo с поддержкой Google Daydream будет называться Mirage |
11: 00
Компания Electronic Arts распродает игры в рамках акции «Хиты за Полцены» |
11: 00
В Индии арестовали подозреваемых в сливе одной из серий 7 сезона «Игры Престолов» |
11: 00
Agents of Mayhem получает оценки |
11: 00
Нашёл 4 способа защитить свой iPhone (+1 спортивный) |
10: 40
По мотивам онлайн игры The Secret World снимут телесериал |
10: 20
Видеокарты Radeon RX Vega 64 могут существенно подорожать уже в ближайшее время |
10: 20
POLED vs AMOLED – в чем разница? |
10: 20
«Альфа банк» назвал доклад о проблемах в четырёх банках из топ-15 частным мнением менеджера |
Новости бизнесаСтатьиНоу ХауАналитикаДеньгиБизнес технологииКурс валют
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: 2017, 2016, 2015, 2014, 2013, 2012, 2011, 2010, 2009, 2008, 2007, 2006, 2005, 2004, 2003