211service.com
Pourquoi la parole synthétisée semble si affreuse
On a tricordeurs , téléportation et interfaces à écran tactile dynamiques , mais pas la prédiction la plus banale de Star Trek et d'innombrables autres franchises de science-fiction : un discours synthétisé semblable à celui d'un humain.
Ceux d'entre vous qui n'ont pas écouté la parole synthétisée depuis la dernière fois que vous avez regardé Une brève histoire du temps , préparez-vous à être déçu par le manque de progrès . Voici Roger Ebert utilisant un synthétiseur de synthèse vocale préprogrammé avec sa propre voix :
Et ici, juste pour référence, est quelque chose de non moins intelligible et seulement un peu plus robotique, seulement il se trouve qu'il a environ 25 ans et fonctionne sur un ordinateur avec environ 1/62 000e de mémoire :
Si tel est l'état de l'art, est-il étonnant que le La Guilde des auteurs ne semble plus s'en soucier que l'iPad, comme le Kindle, puisse lire un document à haute voix ?
Certes, comparer le Speech Generating Device (SGD) d'Ebert à celui de Hawking révèle que nous avons maintenant la capacité de créer un ordinateur Robby - la voix ressemble à celle de la personne dont un SGD est censé remplacer la voix - une bonne première étape dans l'utilisation de ces appareils pour les personnes atteintes de maladies dégénératives comme la SLA ou, dans le cas d'Ebert, une perte due au cancer.
Les SGD qui ressemblent à un individu sont possibles en raison de ce qu'on appelle synthèse vocale basée sur les données ou synthèse vocale concaténative. Cette technique est utilisée de concert avec banque vocale , dans lequel un utilisateur qui sait qu'il va perdre le pouvoir de la parole en enregistre des heures à l'avance.
Discours synthétisé ou concaténé
Contrairement à la parole véritablement synthétisée, une tâche herculéenne nécessitant qu'un programmeur génère une voix à partir de zéro en utilisant uniquement des modifications de sons de base, la synthèse vocale basée sur des données s'appuie sur une bibliothèque d'heures de parole naturelle, en lisant de courtes sections afin de composer n'importe quel mot dans la langue cible. C'est un peu comme la différence entre les synthétiseurs de musique à l'ancienne et l'échantillonnage.
Monophones, Diphones, Triphones…
La synthèse vocale basée sur les données présente un certain nombre de problèmes. Le premier est qu'il compose la parole à partir de diphones - des paires de sons de mots. Cela demande beaucoup de calculs : chaque mot prononcé par le SGD doit être composé de plusieurs diphones qu'il doit identifier dans sa base de données existante.
Cela signifie des milliers et des milliers de diphones, et pourtant les mots que nous prononçons ne sont pas simplement des concaténations de paires de sons ; certains mots sont des ensembles de sons en eux-mêmes, et les diphones communs à deux mots peuvent ne pas sonner correctement dans un troisième, ce qui peut nécessiter un triphone ou même quelque chose de plus. Il est facile de voir comment le nombre de combinaisons possibles qu'un SGD devrait choisir devient rapidement un problème insoluble lorsqu'il dépasse les simples unités à deux sons.
Le problème monotone
Même les meilleurs systèmes vocaux concaténés disponibles dans le commerce n'essayent même pas de surmonter le problème de l'accentuation. Dans un discours normal, nous transmettons des émotions à travers une gamme d'astuces - des pauses, le timing des syllabes, le ton. Même en laboratoire, les meilleures tentatives pour mettre des émotions comme la colère et la peur dans un discours synthétisé transmettre avec succès ces sentiments seulement environ 60% du temps ( pdf ici ), et les chiffres sont encore pires pour la joie.
Comme l'intelligence artificielle, la reconnaissance vocale et la vision par ordinateur, la synthèse vocale est une autre des fonctions que les humains exécutent facilement et que nous avons jusqu'à présent trouvées incroyablement difficiles à reproduire. in silico .
