Синтез речи (speech synthesis)

Синтез речи (speech synthesis) - технология автоматического формирования звучащей человеческой речи с помощью вычислительных систем. Обычно она преобразует текст или другой структурированный вход в аудиосигнал, имитирующий человеческое звучание.

Что означает термин

Синтез речи также называют преобразованием текста в речь. Результатом работы системы могут быть короткие реплики, отдельные сообщения или длинные аудиофрагменты, сформированные на основе исходного текста.

Как устроено

Для формирования речи система может соединять заранее записанные речевые фрагменты, моделировать работу голосового тракта или использовать другие вычислительные методы. Современные решения поддерживают стандартные и специально настроенные голоса, разные языки и локали.

Параметры звучания задаются настройками системы или с помощью языка разметки синтеза речи SSML. К ним относятся произношение, высота и громкость голоса, паузы, скорость, акцент, тон и эмоциональная выразительность. Без такой настройки речь может звучать менее естественно или неточно передавать структуру исходного текста.

Где применяется

Синтез речи используют для озвучивания электронных текстов для незрячих пользователей и людей с тяжёлыми нарушениями речи, формирования голосовых реплик виртуальных помощников, создания аудиоверсий статей и книг, а также воспроизведения сообщений в устройствах и программных приложениях.

Качество и разборчивость результата зависят от применяемого метода и используемых речевых единиц. Системы могут генерировать как короткие высказывания, так и длинные повествовательные аудиофрагменты с заданными параметрами звучания.