211service.com
Kodėl sintezuota kalba skamba taip siaubingai
Mes turime trikorteriai , teleportacija ir dinamiškos jutiklinio ekrano sąsajos , bet ne pati žemiškiausia „Star Trek“ ir daugybės kitų mokslinės fantastikos franšizių prognozė: į žmogų panaši sintezuota kalba.
Tie iš jūsų, kurie nesiklausėte sintezuotos kalbos nuo tada, kai paskutinį kartą žiūrėjote Trumpa laiko istorija , pasiruoškite būti priblokšti progreso trūkumas . Štai Rogeris Ebertas naudoja teksto į kalbą sintezatorių, iš anksto užprogramuotą savo balsu:
Ir čia, tik nuoroda, yra kažkas ne mažiau suprantamo ir tik šiek tiek robotiškesnio, tik jam yra apie 25 metai ir jis veikia kompiuteryje su maždaug 1/62 000 atminties:
Jei tai yra naujausia technika, ar nenuostabu, kad Atrodo, kad Autorių gildijai tai neberūpi kad iPad, kaip ir Kindle, gali garsiai perskaityti dokumentą?
Tiesa, palyginus Eberto kalbos generavimo įrenginį (SGD) su Hawkingo įrenginiu, paaiškėja, kad dabar turime galimybę sukurti kompiuterio Robby - Panašus balsas skamba panašiai kaip žmogaus, kurio balsą SGD turi pakeisti – geras pirmasis žingsnis naudojant šiuos prietaisus sergantiems degeneracinėmis ligomis, tokiomis kaip ALS arba, Eberto atveju, netekties dėl vėžio.
SGD, kurie skamba kaip asmuo, galimi dėl to, kas vadinama duomenimis pagrįsta kalbos sintezė arba jungiamoji kalbos sintezė. Ši technika naudojama kartu su balso bankininkystė , kuriame vartotojas, žinantis, kad praras kalbos galią, jį įrašo keliomis valandomis iš anksto.
Sintetinė kalba, palyginti su sujungta kalba
Skirtingai nuo iš tikrųjų susintetintos kalbos, kurios metu programuotojas turi generuoti balsą nuo nulio, naudodamas tik pagrindinių garsų modifikacijas, duomenimis pagrįsta kalbos sintezė remiasi natūralios kalbos valandų biblioteka, atkuriant trumpas jos dalis, kad būtų galima sukurti žodis tiksline kalba. Tai šiek tiek panašu į skirtumą tarp senosios mokyklos muzikos sintezatorių ir semplavimo.
Monofonai, Difonai, Trifonai…
Duomenimis pagrįsta kalbos sintezė turi nemažai problemų. Pirma, ji kuria kalbą iš difonų – žodžių garsų porų. Tai yra gana intensyvus skaičiavimas: kiekvienas žodis, kurį SGD sako, turi būti sudarytas iš kelių difonų, kuriuos jis turi identifikuoti esamoje duomenų bazėje.
Tai reiškia tūkstančius ir tūkstančius difonų, tačiau žodžiai, kuriuos mes kalbame, nėra tik garsų porų sankaupos; kai kurie žodžiai yra sau būdingų garsų rinkiniai, o dviem žodžiams bendri difonai gali skambėti netinkamai trečiajame, todėl gali prireikti trifono ar net kažko daugiau. Nesunku suprasti, kaip galimų derinių, iš kurių SGD turėtų pasirinkti, skaičius greitai tampa sunkiai įveikiama problema, kai perkeliami ne tik paprasti dviejų garsų vienetai.
Monotonijos problema
Net geriausios komerciškai prieinamos sujungtos kalbos sistemos net nebando įveikti kirčiavimo problemos. Įprastoje kalboje emocijas perteikiame įvairiais triukais – pauzes, skiemenų laiką, toną. Netgi laboratorijoje geriausi bandymai sintezuotoje kalboje įterpti tokias emocijas kaip pyktis ir baimė sėkmingai perteikia šiuos jausmus tik apie 60 % laiko ( pdf čia ), o iš džiaugsmo skaičiai dar blogesni.
Kaip ir dirbtinis intelektas, kalbos atpažinimas ir kompiuterinis regėjimas, kalbos sintezė yra dar viena iš lengvai atliekamų funkcijų, kurias mums iki šiol buvo neįtikėtinai sunku atkurti. in silico .
