Text-to-Speech (TTS) คืออะไร

1. การประมวลผลข้อความ

การประมวลผลข้อความเป็นขั้นตอนที่ระบบ TTS กำหนดคำที่จะออกเสียง โดยจะสะกด คำย่อ วันที่ และสัญลักษณ์สกุลเงิน และลบเครื่องหมายวรรคตอนออกไป

เรื่องนี้ไม่ใช่เรื่องเล็กน้อยเสมอไป คำว่า " Dr " หมายถึง แพทย์ หรือ ขับรถกัน แน่ แล้ว CAD ล่ะ ดอลลาร์แคนาดา หรือ การออกแบบด้วยคอมพิวเตอร์ช่วย ล่ะ 

การประมวลผลภาษาธรรมชาติ ( NLP ) สามารถนำมาใช้ในการประมวลผลข้อความเพื่อช่วยคาดการณ์การตีความที่ถูกต้องโดยอิงจากบริบทโดยรอบ โดยจะประเมินว่าคำศัพท์ที่คลุมเครือ (ตัวอย่างเช่น " Dr." ) เข้ากับประโยคโดยรวมได้ดีเพียงใด ดังนั้นในวลี "Dr. Perron ไม่แนะนำให้ทำเช่นนั้น" NLP จะแปลงคำว่า dr เป็น doctor

2. การวิเคราะห์ทางภาษาศาสตร์

เมื่อประมวลผลข้อความแล้ว โมเดลจะเปลี่ยนจาก "ฉันควรพูดอะไร" เป็น "ฉันควรพูดอะไร"

การวิเคราะห์ทางภาษาเป็นส่วนหนึ่งของ TTS ที่รับผิดชอบในการตีความว่าควรนำเสนอประโยคอย่างไรในแง่ของระดับเสียง น้ำเสียง และความยาว กล่าวอีกนัยหนึ่ง:

• แต่ละเสียง พยางค์ หรือคำ ควรมีความยาวเท่าใด
• ควรจะขึ้นเสียงหรือตกดี?
• คำที่ถูกเน้นย้ำคือคำอะไร?
• การเปลี่ยนแปลงปริมาตรจะสะท้อนอารมณ์ที่ตั้งใจไว้ได้อย่างไร?

3. การสร้างแบบจำลองเสียง

การสร้างแบบจำลองอะคูสติกคือการส่งผ่านข้อความที่ปรับมาตรฐานแล้ว (และคุณลักษณะทางภาษาที่คาดการณ์ไว้ หากมี) ผ่านเครือข่ายประสาทที่ส่งออกการแสดงผลระดับกลาง

สเปกโตรแกรมและการแสดงเสียงพูด

การแสดงระดับกลางโดยทั่วไปจะเป็น สเปกโตรแกรม ซึ่งเป็นการแสดงความถี่ตามเวลาของสัญญาณเสียง แม้ว่าจะมีการเปลี่ยนแปลงอยู่ก็ตาม

นี่คือการแสดงที่สร้างขึ้นโดยโมเดล TTS จากข้อความอินพุตของเรา “ เดี๋ยวนะ คุณคาดหวังแบบนั้นเหรอ ”

‍

ภาพสองมิตินี้ประกอบด้วยส่วนแนวตั้ง 146 ส่วน ซึ่งแต่ละส่วนมีความถี่ 80 ความถี่ ความถี่ที่แรงกว่าจะสว่างกว่า และความถี่ที่อ่อนกว่าจะมืดกว่า 

นี่คือลักษณะของขั้นที่ 10 (หรือคอลัมน์) เมื่อหมุนไปทางขวา 90 องศา:

คุณสามารถมองเห็นความถี่แต่ละความถี่และพลังงานของพวกมันได้ 

เมื่อมองดูครั้งแรก สเปกโตรแกรมอาจดูไม่มากนัก แต่ที่นี่มีปรากฏการณ์ทางภาษาศาสตร์บางอย่างที่ชัดเจน:

• คลื่นเหล่านี้มีเส้นที่ชัดเจนเป็นสระหรือเสียงคล้ายสระ เช่น /w/, /r/ และ /l/
• จุดด่างดำแสดงถึงความเงียบ อาจเป็นช่วงหยุดชั่วคราวเพื่อเว้นวรรค
• ก้อนพลังงานที่อยู่สูงแสดงถึงเสียงรบกวน เช่น เสียงรบกวนที่คุณได้ยินใน /s/, /sh/ และ /f/

ในความเป็นจริง คุณสามารถเรียงลำดับคำในสเปกตรัมได้หากคุณดูอย่างระมัดระวัง

สเปกโตรแกรมในรูปแบบต่างๆ ถูกใช้กันอย่างแพร่หลายในการแสดงข้อมูลในเทคโนโลยีเสียงพูด เพราะเป็น ตัวกลางที่ดีมากระหว่างเสียงพูดดิบและข้อความ 

การบันทึกเสียงประโยคเดียวกันสองครั้งที่พูดโดยผู้พูดต่างกันจะมีรูปคลื่นที่แตกต่างกันมาก แต่ก็มีสเปกโตรแกรมที่คล้ายกันมาก

4. การสังเคราะห์เสียง (Vocoding)

ขั้นตอนการสังเคราะห์เป็นขั้นตอนที่สเปกตรัมจะถูกแปลงเป็นเสียง 

เทคโนโลยีที่ใช้แปลงสัญญาณนี้เรียกว่า โวโคเดอร์ ซึ่งเป็นโมเดลเครือข่ายประสาทเทียมที่ได้รับการฝึกให้สร้างสัญญาณเสียงพูดขึ้นใหม่โดยอาศัยการแสดงสเปกตรัม

เหตุผลในการแยกการแสดงและการสร้างแบบจำลองสัญญาณเสียงพูดออกเป็นโมดูลที่แยกจากกันนั้นเกี่ยวกับการควบคุม ประการแรกคือเกี่ยวกับการสร้างแบบจำลองการออกเสียงและการส่งคำอย่างแม่นยำ และประการที่สองคือเกี่ยวกับรูปแบบและความสมจริงของการส่ง

ด้วยสเปกโตรแกรม เราสามารถแยกแยะระหว่าง /s/ กับ /sh/ หรือ /ee/ (เหมือนในคำว่า heat ) กับ /ih/ (เหมือนในคำว่า hit ) แต่สไตล์และบุคลิกนั้นมาจากรายละเอียดเล็กๆ น้อยๆ ที่สร้างขึ้นโดยโวโคเดอร์

นี่คือ การเปรียบเทียบการผสมผสาน ระหว่างโมเดลอะคูสติกและโวโคเดอร์ที่แตกต่างกัน ซึ่งแสดงให้เห็นว่านักวิจัยผสมผสานโมเดลอะคูสติกและโวโคเดอร์อย่างไร และปรับให้เหมาะสมเพื่อให้ได้ผลลัพธ์โดยรวมที่ดีที่สุด

แต่เช่นเดียวกับส่วนประกอบอื่นๆ ทั้งหมด เราจะเห็นว่าสเปกโตรแกรมถูกยกเลิกไปเพื่อสนับสนุนโมเดลแบบออลอินวันแทน

แชทบอทและผู้ช่วยเสียง

คุณรู้ว่าฉันจะพูดแบบนั้น 😉

ระหว่างการทำความเข้าใจคำสั่งของคุณ การอัปเดตรายการซื้อของ และการนัดหมาย เป็นเรื่องง่ายที่เราจะมองข้ามความซับซ้อนและความสำคัญในการสังเคราะห์คำพูดใน ตัวแทน AI

ตัวแทนที่ดี (กล่าวคือ ตัวแทน ที่สามารถใช้ งานได้) ต้องมีเสียงที่เหมาะสม: เป็นมิตรเพียงพอที่จะขอคำสั่ง และมีความเป็นมนุษย์เพียงพอที่จะทำให้ผู้ใช้เชื่อว่าสามารถตอบสนองคำสั่งเหล่านั้นได้

การวิจัยและวิศวกรรมจำนวนมากต้องใช้ความพยายามในการชนะใจผู้ใช้ภายในเสี้ยววินาทีเพื่อตัดสินใจว่า ผู้ช่วย AI ฟังดู "ถูกต้อง" หรือไม่

ในด้านธุรกิจ: แชทบอทเป็นตัวแทนแบรนด์ของคุณ การพัฒนาเทคโนโลยี TTS หมายความว่ามีตัวเลือกสำหรับการสร้างแบรนด์ด้วยเสียงที่ดีขึ้นและการบริการลูกค้าที่มีประสิทธิภาพมากขึ้น

การนำทางและการขนส่ง

ไม่มีอะไรจะทำให้คุณเข้าใจถึงความสำคัญของ TTS ที่ดีได้เท่ากับการที่ GPS ของคุณออกเสียงชื่อถนนผิดโดยไม่ชัดเจนขณะที่คุณกำลังขับรถ 

ระบบนำทาง GPS เป็นตัวอย่างที่ดีที่แสดงให้เห็นว่า TTS โดดเด่นเพียงใด: ดวงตาของเราทำงานอย่างไม่หยุดยั้ง และการให้ข้อมูลเสียงไม่ได้เกี่ยวกับความสะดวกสบายเพียงอย่างเดียว แต่ยังเกี่ยวกับความปลอดภัยอีกด้วย

สิ่งนี้ยังเป็นจริงในสนามบินและระบบขนส่งสาธารณะ สำหรับระบบที่มีการออกแบบที่ซับซ้อนและมีปริมาณการใช้งานสูง เช่น สถานีรถไฟและอาคารผู้โดยสารสนามบิน เสียงสังเคราะห์จึงมีความสำคัญอย่างยิ่ง 

หากไม่มี TTS เราจะต้องพึ่งการประกาศสดๆ ซึ่งมักจะเป็นแบบเร่งรีบและฟังไม่ชัด หรือเป็นการบันทึกเสียงชื่อ เครื่องปลายทาง เวลา ฯลฯ ที่มาต่อกัน ซึ่งพูดตรงๆ ว่าฟังได้ยาก 

จากการศึกษาวิจัยที่แสดงให้เห็นถึง ความเชื่อมโยงอย่างแข็งแกร่งระหว่างความเป็นธรรมชาติและความเข้าใจ TTS ที่มีคุณภาพสูงจึงเป็นสิ่งจำเป็นสำหรับอุตสาหกรรมการขนส่งที่แข็งแกร่ง

ความบันเทิงและสื่อ

การบรรยายและสื่อหลายภาษามีให้ใช้ได้มากขึ้นด้วยการปรับปรุงเทคโนโลยีเสียงสังเคราะห์

แทนที่จะมาแทนที่ความสามารถ เทคโนโลยีการพูดจะเข้ามาช่วยเสริมการแสดงละคร

Val Kilmer ซึ่งสูญเสียเสียงเพราะมะเร็งลำคอ ได้แสดงสดด้วยเสียงอันไพเราะของเขาใน Top Gun: Maverick (2022) ได้ด้วย AI

TTS ยังช่วยให้นักพัฒนาเกมสามารถเปล่งเสียงพูดอันหลากหลายและชัดเจนต่อตัวละครที่ไม่สามารถเล่นได้ (NPC) ซึ่งถือเป็นสิ่งที่ไม่สามารถทำได้ด้วยวิธีอื่น

ดูแล สุขภาพ

การปรับปรุงใน TTS หมายถึงการปรับปรุงการเข้าถึงได้ในทุกๆ ด้าน

เทคโนโลยีการดูแลผู้สูงอายุช่วยจัดการปัญหาความเป็นเพื่อนและการช่วยเหลือไปพร้อมๆ กัน เทคโนโลยีนี้อาศัยความสามารถในการปรับแต่งที่ TTS มอบให้ ไม่ว่าจะเป็นโทนเสียงที่แสดงความสงสาร ความเร็วที่แปรผัน และการเรียบเสียงที่ระมัดระวัง ซึ่งล้วนเป็นส่วนหนึ่งของการให้ความช่วยเหลือที่มีประสิทธิภาพและเหมาะสม

TTS ยังถูกนำมาใช้เพื่อปรับปรุงการเข้าถึงในหมู่คนรุ่นเยาว์ด้วย

Acapela Group พัฒนาเทคโนโลยีสำหรับเด็กที่มีความผิดปกติในการพูด เช่น เทคโนโลยีเสียงสังเคราะห์ที่ช่วยเพิ่มความสามารถในการแสดงออกและความเป็นอิสระของเด็ก โดยยังคงรักษาลักษณะเสียงของเด็กเอาไว้

การศึกษาและการเรียนรู้แบบครอบคลุม

เราเคยพบเสียงสังเคราะห์ในแอปเรียนภาษา แต่นั่นเป็นเพียงส่วนเล็กๆ ของเรื่องใหญ่เท่านั้น

ตัวอย่างเช่น อุปสรรคในการเรียนรู้ด้วยตนเองคือความสามารถในการอ่าน สำหรับเด็ก ผู้ที่มีความบกพร่องทางสายตา และผู้ที่มีความบกพร่องทางการเรียนรู้บางประการ ไม่จำเป็นต้องทำเช่นนั้นเสมอไป สิ่งนี้ทำให้ครูที่ทำงานหนักเกินไปในห้องเรียนที่มีนักเรียนหนาแน่นต้องแบกรับภาระหนัก

เขตโรงเรียนแห่งหนึ่งในแคลิฟอร์เนียได้นำ TTS มาใช้ เพื่อสร้างสภาพแวดล้อมการเรียนรู้ที่ครอบคลุมมากขึ้นสำหรับนักเรียนที่มีความต้องการพิเศษ

เทคโนโลยีการศึกษานั้นอาศัยความเห็นอกเห็นใจซึ่งถ่ายทอดความรู้ได้อย่างชัดเจนและเน้นย้ำเป็นพิเศษ เช่นเดียวกับในกรณีของการดูแลผู้สูงอายุ พารามิเตอร์ที่ปรับเปลี่ยนได้ทำให้ครูสามารถผสานเทคโนโลยีเหล่านี้เข้ากับบทเรียนได้ ช่วยให้นักเรียนรู้สึกว่าตนเองมีส่วนร่วมมากขึ้น

มีภาษาหรือสำเนียงใดบ้างที่ระบบ TTS ประสบปัญหาในการรองรับ?

ใช่ มีภาษาและสำเนียงบางภาษาที่ระบบ TTS ไม่ค่อยรองรับ โดยเฉพาะภาษาที่ใช้ทรัพยากรน้อยซึ่งขาดชุดข้อมูลขนาดใหญ่ของเสียงพูดและข้อความที่บันทึกไว้ ความแตกต่างอย่างภาษาถิ่น ภาษาวรรณยุกต์ และภาษาพื้นเมือง มักสร้างความท้าทาย เพราะต้องใช้กฎการออกเสียงที่ละเอียดและมีความไพเราะ ซึ่งแบบจำลองมาตรฐานยังไม่ได้รับการฝึกฝน แม้แต่ในภาษาที่ใช้กันอย่างแพร่หลาย ความแตกต่างของสำเนียงก็อาจนำไปสู่การออกเสียงผิดหรือเสียงพูดที่ไม่เป็นธรรมชาติได้

เสียง TTS สามารถปรับแต่งได้มากเพียงใดในแง่ของระดับเสียง ความเร็ว และอารมณ์?

ปัจจุบันเสียง TTS สามารถปรับแต่งระดับเสียง ความเร็ว และอารมณ์ได้สูง ด้วยสถาปัตยกรรมเครือข่ายประสาทเทียมสมัยใหม่ที่ช่วยให้สามารถควบคุมเสียงและลีลาได้อย่างละเอียด ระบบ TTS เชิงพาณิชย์หลายระบบช่วยให้ผู้ใช้สามารถปรับความเร็วในการพูด รูปแบบน้ำเสียง ระดับเสียง และน้ำเสียงที่สื่อความหมายได้ เพื่อให้เหมาะกับบริบทต่างๆ เช่น การบรรยายที่นุ่มนวล การประกาศที่ตื่นเต้น หรือบทสนทนาที่เข้าใจอารมณ์ อย่างไรก็ตาม ระดับการควบคุมจะแตกต่างกันไปตามแต่ละผู้ผลิต บางรายมีเพียงแถบเลื่อนพื้นฐานสำหรับความเร็วและระดับเสียง ในขณะที่บางรายแสดงพารามิเตอร์โดยละเอียดสำหรับการแสดงออกทางอารมณ์และน้ำเสียง

ระบบ TTS ประมวลผลข้อมูลเสียงอย่างปลอดภัยเพียงใด

ความปลอดภัยของข้อมูลเสียงที่ประมวลผลโดยระบบ TTS ขึ้นอยู่กับผู้ให้บริการและวิธีการติดตั้งเป็นหลัก บริการ TTS บนคลาวด์มักจะเข้ารหัสข้อมูลทั้งระหว่างการส่งและระหว่างการจัดเก็บ แต่การส่งข้อมูลที่ละเอียดอ่อนไปยังเซิร์ฟเวอร์ภายนอกอาจยังคงมีความเสี่ยงต่อความเป็นส่วนตัวได้ หากไม่มีข้อตกลงและมาตรการปฏิบัติตามกฎระเบียบที่เหมาะสม เช่น GDPR หรือ HIPAA การติดตั้งแบบ On-premise หรือ Edge จะให้ความปลอดภัยที่สูงกว่า เนื่องจากเสียงและข้อความจะไม่หลุดออกจากโครงสร้างพื้นฐานขององค์กร จึงช่วยลดความเสี่ยงต่อบุคคลที่สาม

การนำโซลูชัน TTS คุณภาพสูงไปใช้กับธุรกิจนั้นมีค่าใช้จ่ายสูงเพียงใด

การนำโซลูชัน TTS คุณภาพสูงไปใช้กับธุรกิจอาจมีตั้งแต่ไม่กี่ร้อย dollars ต่อเดือนสำหรับ API บนคลาวด์ที่มีการใช้งานปานกลาง ไปจนถึงหลักหมื่นหรือหลักแสนสำหรับการพัฒนาเสียงแบบกำหนดเองหรือการปรับใช้ภายในองค์กร โดยทั่วไปค่าใช้จ่ายจะประกอบด้วยค่าลิขสิทธิ์ ค่าใช้จ่ายแบบจ่ายต่อตัวอักษรหรือจ่ายต่อนาที ค่าดำเนินการด้านการรวมระบบและพัฒนา และอาจรวมถึงค่าธรรมเนียมสำหรับบุคลากรด้านเสียงหากสร้างเสียงแบบกำหนดเอง ธุรกิจขนาดเล็กมักเริ่มต้นด้วยบริการแบบสมัครสมาชิก ขณะที่องค์กรขนาดใหญ่อาจลงทุนในโซลูชันเฉพาะเพื่อความสอดคล้องของแบรนด์และความเป็นส่วนตัว

ต้องใช้ข้อมูลการฝึกอบรมเท่าใดจึงจะสร้างเสียง TTS คุณภาพสูงได้

การสร้างเสียง TTS คุณภาพสูงมักต้องใช้เวลาหลายชั่วโมงถึงหลายสิบชั่วโมงในการบันทึกเสียงพูดที่คมชัดและเป็นมืออาชีพ โดยควรมาจากผู้พูดคนเดียวกันและภายใต้เงื่อนไขการบันทึกที่สม่ำเสมอ ระบบ TTS แบบนิวรอลสมัยใหม่ เช่น Tacotron หรือ FastSpeech สามารถให้คุณภาพเสียงที่ดีได้โดยใช้ข้อมูลเพียง 2-5 ชั่วโมง แต่การจะได้เสียงที่เป็นธรรมชาติ ชัดเจน และหนักแน่นมักใช้เวลา 10-20 ชั่วโมงหรือมากกว่านั้น สำหรับการโคลนเสียงหรือเสียงที่สื่อความหมายได้อย่างชัดเจน จำเป็นต้องใช้ชุดข้อมูลขนาดใหญ่และการบันทึกเสียงที่หลากหลาย ครอบคลุมรูปแบบ อารมณ์ และบริบทที่หลากหลาย