Что такое синтез речи? Простое объяснение

Синтез речи (text-to-speech, TTS) — это программа, которая читает текст вслух. Вы даете ей предложение, а она возвращает аудиофайл или поток, в котором голос произносит это предложение. Это не запись человека, прочитавшего именно ваши слова: голос создается на ходу компьютерной моделью, которая научилась тому, как конкретный голос произносит звуки, слова и предложения.

Вы почти наверняка уже слышали синтез речи: в подсказках навигатора, голосовых меню по телефону, программах экранного доступа для незрячих и слабовидящих людей, функциях «читать вслух» в электронных книгах, а все чаще — и в закадровом голосе роликов на YouTube и коротких видео.

Большинство современных систем работают в три основных этапа. Вы их не видите, но, зная о них, легче понять, почему некоторый текст вызывает трудности.

1. Чтение и нормализация текста

Сначала система определяет, что на самом деле нужно произнести. «Г.» может означать «год» или «город»; «2026 г.» обычно читается как «две тысячи двадцать шестой год», а «2026 руб.» — как «две тысячи двадцать шесть рублей»; «5 $» превращается в «пять долларов». Кроме того, система делит текст на предложения и решает, как произносить каждое слово, а это сложнее, чем кажется: русское «замок» звучит по-разному в «старинный замок» и «дверной замок».

2. Планирование звучания

Затем нейронная сеть предсказывает, как должно звучать предложение: какие слоги ударные, где тон повышается и понижается, сколько длится каждый звук и где делаются короткие вдохи. Эту мелодику и ритм речи называют просодией, и именно она главным образом отличает голос, звучащий по-человечески, от машины, зачитывающей список.

3. Создание аудио

Наконец, другая модель (ее часто называют вокодером) превращает этот план в настоящую звуковую волну, которую можно воспроизвести. Старые системы склеивали крошечные заранее записанные фрагменты речи, поэтому звучали отрывисто. Нейросетевые системы генерируют звуковую волну напрямую, поэтому современные голоса звучат плавно.

• Просодия. Естественный ритм и интонация важнее, чем само качество звука. Чистый, но монотонный голос все равно звучит искусственно.
• Соответствие языку и акценту. Голос, обученный на одном языке, обычно плохо справляется со словами из другого. Выбирайте голос, который соответствует языку вашего текста и, в идеале, акценту, привычному вашим слушателям.
• Сам текст. Сокращения, необычные имена, отсутствие знаков препинания и очень длинные предложения — самые частые причины странного звучания. О том, как это исправить, рассказывается в нашем руководстве по написанию сценариев для синтеза речи.
• Настройки скорости и высоты тона. Небольшие изменения очень помогают, а крайние значения делают странным любой голос.

• Доступность. Слушать вместо того, чтобы читать, помогает людям со слабым зрением, дислексией, повышенной утомляемостью или другими трудностями чтения. См. синтез речи для доступности.
• Озвучка видео. Авторы используют синтез речи для обучающих и объясняющих роликов на YouTube и коротких видео, когда не могут или не хотят записывать собственный голос. См. как сделать озвучку для YouTube.
• Изучение языков. Если слушать предложение в исполнении голоса с акцентом носителя языка и на сниженной скорости, это помогает с произношением. См. синтез речи для изучения языков.
• Вычитка текста. Прослушать собственный текст — один из самых быстрых способов найти неуклюжие фразы и пропущенные слова.
• Аудиокниги и длинные тексты. См. как озвучить аудиокнигу с помощью синтеза речи.

Даже хорошие ИИ-голоса могут неправильно произносить редкие имена, названия брендов и заимствованные слова. Они не понимают ваш текст так, как его понимает диктор-человек, поэтому шутки, сарказм и сильные эмоции часто звучат нейтрально. А поскольку синтетические голоса стали реалистичными, их ни в коем случае нельзя использовать, чтобы выдавать себя за реального человека или вводить слушателей в заблуждение.

Большинство этих ограничений на практике решается правкой текста, а не борьбой с голосом: пишите сложные имена так, как они звучат, разбивайте длинные предложения и ставьте знаки препинания там, где нужна пауза.

В Студии можно вставить до 2000 символов за раз, выбрать один из 583 голосов на 76 языках, настроить скорость и высоту тона, прослушать результат и скачать его. Учетная запись не нужна. Если не знаете, с какого голоса начать, прочитайте, как выбрать подходящий ИИ-голос.