Nutq sintezi

Sintezlangan nutq Stiven Xoking

Nutq sintezi — keng ma’noda, nutq signalining parametrlariga ko‘ra uning shaklini qayta tiklash; tor ma’noda esa bosma[aniqlashtirish] matn asosida nutq signalini hosil qilishdir. Bu — sun’iy intellektning bir yo‘nalishi.

Nutq sintezi deganda, avvalo, inson nutqini sun’iy ravishda hosil qilish bilan bog‘liq barcha jarayonlar tushuniladi.

Nutq sintezatori — matn yoki tasvirlarni dasturiy ta’minot va/yoki apparat vositalari yordamida nutqqa aylantira oladigan tizim.

Ovoz mexanizmi — matn yoki buyruqlarni bevosita nutqqa aylantiruvchi tizim yoki yadro bo‘lib, u kompyuterdan mustaqil holda ham ishlashi mumkin.

Nutq sintezining qo‘llanilishi

Nutq sintezi axborotni inson qabul qiladigan barcha holatlarda kerak bo‘lishi mumkin. Nutq sintezatorining sifati, avvalo, uning ovozi inson ovoziga qanchalik o‘xshashi va nutqning qay darajada tushunarli ekaniga qarab baholanadi. Eng sodda sintezlangan nutqni oldindan yozib olingan nutq bo‘laklarini birlashtirish orqali yaratish mumkin; bu bo‘laklar keyinchalik ma’lumotlar bazasida saqlanadi. Qizig‘i shundaki, bunday sintez usuli kundalik hayotda juda keng tarqalgan, biroq biz ko‘pincha buni sezmaymiz ham.

  • Nutqni matn yoki xabar kodi asosida sintezlashdan axborot-ma’lumot tizimlarida, ko‘zi ojiz va gapira olmaydigan kishilarga yordam berishda, shuningdek, avtomatik qurilma orqali insonga ko‘rsatmalar berishda foydalanish mumkin.
  • Kundalik turmushda ko‘zi ojiz va gapira olmaydigan kishilarga ko‘maklashish uchun ovozli ko‘rsatmalar beradigan yoki vaqtni, o‘lchash natijalarini ovoz chiqarib e’lon qiladigan turli qurilmalar qo‘llanadi. Masalan: tonometrlar, glyukometrlar, kalkulyatorlar, soatlar va boshqalar.
  • Samolyotlar, poyezdlar, avtobuslar, kemalar va boshqa transport vositalarining jo‘nab ketishini e’lon qilishda, shuningdek, bekatlarni avtomatik tarzda aytib borishda.
  • Texnologik jarayonlar haqida axborot berishda: harbiy va aviatsiya-kosmik texnikada, robototexnikada hamda inson bilan kompyuter o‘rtasidagi ovozli muloqotda.
  • Ko‘pincha tovush effekti sifatida elektron musiqa yaratishda ishlatiladi.
  • Nutq sintezi kompyuterlar, smartfonlar, planshetlar, elektron kitoblar va boshqa qurilmalarda matnni o‘qib berish, videolar hamda audiokitoblar uchun ovozli matn yaratishda qo‘llanadi. Shuningdek, tarozida vaznni ovozli e’lon qilish, harorat, og‘irlik, uzunlik va boshqa o‘lchov natijalarini aytib berish uchun ishlatiladi.
  • Audiogid.
  • Sun’iy yo‘ldosh navigatori
  • Avtomobil navigatsiya tizimi
  • Robotlar odamlar bilan muloqot qilish uchun nutq sintezidan foydalanadi.
  • O‘yinchoqlar.
  • Uyda bir yoki bir necha kishi bordek taassurot uyg‘otadigan signalizatsiya tizimlari.
  • Nutqni tanish imkoniyatiga ega chipta sotish avtomatlari va boshqa avtomatlar.

Nutq sintezi usullari

Nutq sintezining barcha usullarini quyidagi guruhlarga ajratish mumkin:

  • parametrik sintez;
  • konkatenativ yoki kompilyatsion (kompilyativ) sintez;
  • qoidalarga asoslangan sintez;
  • muayyan sohaga yo‘naltirilgan sintez.

Parametrik sintez

Parametrik nutq sintezi vokoder tizimlaridayakuniy bosqich bo‘lib, bunda nutq signali uzluksiz o‘zgarib turuvchi oz sonli parametrlar to‘plami orqali ifodalanadi. Parametrik sintezdan xabarlar to‘plami cheklangan va uncha tez-tez o‘zgarmaydigan holatlarda foydalanish maqsadga muvofiq. Ushbu usulning afzalligi — istalgan til va istalgan diktor uchun nutqni yozib olish imkoniyatidir. Parametrik sintez sifati juda yuqori bo‘lishi mumkin (bu parametrli ifodalashda ma’lumotning qay darajada siqilishiga bog‘liq). Biroq parametrik sintezdan oldindan belgilanmagan, istalgan mazmundagi xabarlarni sintezlash uchun foydalanib bo‘lmaydi.

Kompilyatsion sintez

Kompilyatsion sintez oldindan yozib olingan boshlang‘ich nutq birliklari lug‘atidan xabar tuzishga asoslanadi. Sintez birliklarining hajmi bitta so‘zdan kichik bo‘lmaydi. Tabiiyki, sintezlanadigan xabarlarning mazmuni lug‘at hajmi bilan chegaralanadi. Odatda lug‘at bir necha yuz so‘zdan oshmaydi. Kompilyativ sintezdagi asosiy muammo — lug‘atni saqlash uchun katta xotira talab etilishidir. Shu sababli nutq signalini siqish va kodlashning turli usullari qo‘llanadi. Kompilyativ sintez amaliyotda keng ishlatiladi. G‘arb mamlakatlarida harbiy samolyotlardan tortib maishiy qurilmalargacha bo‘lgan turli texnik vositalar ovozli javob tizimlari bilan jihozlanadi. Rossiyada esa yaqin vaqtgacha bunday tizimlar asosan harbiy texnikada qo‘llangan; hozir ular kundalik hayotda ham tobora keng foydalanilmoqda. Masalan, uyali aloqa operatorlarining ma’lumot xizmatlarida abonent hisobining holati haqida axborot berishda ishlatiladi.

Qoidalarga asoslangan to‘liq nutq sintezi

Qoidalarga asoslangan to‘liq nutq sintezi (yoki bosma matndan nutq sintezlash) nutq signalining barcha parametrlarini boshqarish imkonini beradi va shu tariqa ilgari ma’lum bo‘lmagan matn asosida ham nutq hosil qila oladi. Bunda nutq signalini tahlil qilish orqali olingan parametrlar hamda tovushlarni so‘z va iboralarga birlashtirish qoidalari xotirada saqlanadi. Sintez nutq apparatini modellashtirish, analog yoki raqamli texnikadan foydalanish orqali amalga oshiriladi. Sintez jarayonida parametr qiymatlari va fonemalarni birlashtirish qoidalari muayyan vaqt oralig‘ida, masalan, har 5—10 ms da ketma-ket kiritiladi. Bosma matndan nutq sintezlash usuli (qoidalarga asoslangan sintez) akustik va lingvistik cheklovlar haqidagi dasturlashtirilgan bilimlarga tayanadi hamda inson nutqining tayyor bo‘laklaridan bevosita foydalanmaydi. Ushbu sintez usuliga asoslangan tizimlarda ikki yondashuv ajratiladi. Birinchi yondashuv insonning nutq hosil qilish tizimi modelini yaratishga qaratilgan bo‘lib, u artikulyatsion sintezdeb ataladi. Ikkinchi yondashuv esa — formant sintezidir. Bunday sintezatorlarda nutqning ravshanligi va tabiiyligini haqiqiy inson nutqi ko‘rsatkichlariga yaqin darajaga yetkazish mumkin.

Tabiiy nutqning oldindan saqlangan bo‘laklaridan foydalangan holda qoidalarga asoslangan nutq sintezi — nutq sintezining raqamlashtirilgan signal bilan ishlash imkoniyatlari paydo bo‘lishi tufayli keng tarqalgan turi. Boshlang‘ich sintez birliklarining hajmiga qarab quyidagi turlar ajratiladi:

  • mikrosegmentli (mikroto‘lqinli);
  • allofonik;
  • difonli;
  • yarim bo‘g‘inli;
  • bo‘g‘inli;
  • ixtiyoriy o‘lchamdagi birliklardan sintezlash.

Odatda bunday elementlar sifatida yarim bo‘g‘inlardan, ya’ni undosh tovushning yarmi va unga tutash unli tovushning yarmidan iborat segmentlardan foydalaniladi. Bu usul yordamida oldindan berilmagan matndan ham nutq sintezlash mumkin, ammo intonatsiya xususiyatlarini boshqarish qiyin. Bunday sintezning sifati tabiiy nutq darajasiga yetmaydi, chunki difonlar tutashtirilgan chegaralarda ko‘pincha buzilishlar yuzaga keladi. Nutqni oldindan yozib olingan so‘z shakllaridan yig‘ish ham istalgan mazmundagi xabarlarni yuqori sifatda sintezlash muammosini hal qilmaydi. Sababi, so‘zlarning akustik va prosodik xususiyatlari (davomiyligi va intonatsiyasi) gapning turi hamda so‘zning gapdagi o‘rniga qarab o‘zgaradi. So‘z shakllarini saqlash uchun katta xotira ajratilgan taqdirda ham bu holat o‘zgarmaydi.

Muayyan sohaga yo‘naltirilgan sintez

Muayyan sohaga yo‘naltirilgan sintez oldindan yozib olingan so‘zlar va iboralarni birlashtirib, yaxlit nutqiy xabarlar yaratadi. U tizimda ishlatiladigan matnlar doirasi ma’lum bir mavzu yoki soha bilan cheklangan dasturlarda qo‘llanadi. Masalan, poyezdlar jo‘nashini e’lon qilish va ob-havo prognozlariniaytib berishda. Bu texnologiyadan foydalanish oson va u uzoq vaqt davomida tijorat maqsadlarida qo‘llangan. Shuningdek, gapiruvchi soatlar va kalkulyatorlar singari elektron qurilmalarni ishlab chiqarishda ham undan foydalanilgan. Bunday tizimlarda gap turlari cheklanganligi va ularning intonatsiyasi dastlabki yozuvlarnikiga mos bo‘lishi mumkinligi sababli nutq juda tabiiy eshitilishi ehtimoli mavjud. Biroq bu tizimlar ma’lumotlar bazasidagi so‘z va iboralar bilan cheklangani uchun inson faoliyatining ko‘plab sohalariga keng yoyila olmaydi: ular faqat oldindan dasturlashtirilgan so‘z va ibora birikmalarini sintezlay oladi.

Tarix

XVIII asr oxirida daniyalik olim Xristian Kratsenshteyn, Rossiya Fanlar akademiyasininghaqiqiy a’zosi, beshta cho‘ziq unli tovushni (a, e, i, o, u) talaffuz qila oladigan inson nutq apparati modelini yaratdi. Ushbu model turli shakldagi akustik rezonatorlar tizimidan iborat bo‘lib, unda havo oqimi ta’sirida tebranadigan tilchalar yordamida unli tovushlar hosil qilingan. 1778-yilda avstriyalik olim Volfgang fon Kempelen Kratsenshteyn modelini til va lab modellari bilan to‘ldirib, muayyan tovushlar va ularning birikmalarini takrorlay oladigan akustik-mexanik gapiruvchi mashinanitaqdim etdi. Shovqinli va hushtaksimon tovushlar qo‘lda boshqariladigan maxsus havo puflagich yordamida hosil qilingan. 1837-yilda olim Charlz Uitston (Charles Wheatstone) mashinaning unli va ko‘pchilik undosh tovushlarni hosil qila oladigan takomillashtirilgan variantini taqdim etdi. 1846-yilda esa Jozef Faber (Joseph Faber) o‘zining gapiruvchi organini Euphonianamoyish etdi; unda nafaqat nutqni, balki qo‘shiq kuylashni ham sintezlashga urinish amalga oshirilgan edi.

XIX asr oxirida taniqli olim Aleksandr Bell Uitston mashinasiga tuzilishi jihatidan juda o‘xshash bo‘lgan o‘zining mexanik «gapiruvchi» modelini yaratdi. XX asr boshlanishi bilan elektr mashinalar davri boshlandi. Olimlar tovush to‘lqinlari generatorlaridan foydalanish va ular asosida algoritmik modellar yaratish imkoniyatiga ega bo‘ldilar.

1930-yillarda Bell Labs laboratoriyasi xodimi Gomer Dadli (Homer Dudley) telefon aloqasida uzatish kanalining kerakli o‘tkazish kengligini kamaytirish va shu orqali uning uzatish imkoniyatlarini oshirish yo‘llarini izlar ekan, VOCODER qurilmasini ishlab chiqdi (nomi inglizcha voice — ovoz va inglizcha coder — kodlovchi so‘zlaridan olingan). Bu klaviatura orqali boshqariladigan elektron nutq analizatori va sintezatori edi. Dadlining g‘oyasi ovoz signalini tahlil qilish, uni qismlarga ajratish, so‘ng uzatish kanalining kamroq o‘tkazish kengligini talab qiladigan shaklda qayta sintezlashdan iborat edi. Dadli vokoderining takomillashtirilgan VODER varianti Nyu-Yorkdagi 1939-yilgi Butunjahon ko‘rgazmasida namoyish etildi.

Dastlabki nutq sintezatorlarining ovozi ancha g‘ayritabiiy eshitilar, ular hosil qilgan iboralarni ko‘pincha zo‘rg‘a tushunish mumkin edi. Biroq sintezlangan nutq sifati muntazam yaxshilanib bordi va bugungi nutq sintezi tizimlari yaratgan ovozni ba’zan haqiqiy inson nutqidan ajratish qiyin. Shunga qaramay, elektron nutq sintezatorlarining muvaffaqiyatlari mexanik nutq sintezatorlarini yaratish bo‘yicha tadqiqotlarni to‘xtatmadi. Masalan, ulardan odamsimon robotlarda foydalanish imkoniyatlari hamon o‘rganilmoqda.

Hisoblash texnikasiga asoslangan dastlabki nutq sintezi tizimlari 1950-yillarning oxirida paydo bo‘la boshladi, birinchi «matndan nutqqa» sintezatori esa 1968-yilda yaratildi.

2005-yilda Kurtsveyl narx va sifat nisbatining yaxshilanishi natijasida nutq sintezatorlari arzonroq va ommaboproq bo‘lib borishini, shu tariqa ko‘proq insonlar matnni nutqqa aylantiruvchi dasturlardan foyda ko‘rishini bashorat qilgan edi.

Hozirgi holati va kelajagi

Hozircha yaqin o‘n yilliklarda qoidalarga asoslangan nutq sinteziistiqboli haqida aniq fikr bildirishga erta. Chunki bunday tizimlarning ovozi hali ham ko‘proq robot nutqini eslatadi, ayrim joylarda esa uni tushunish qiyin. Biz ishonch bilan farqlay oladigan jihatlardan biri — sintezator erkak yoki ayol ovozida gapirayotganidir; inson ovoziga xos nozik xususiyatlar esa har doim ham aniq ifodalanmaydi. Shu sababli texnologiyani rivojlantirishda nutq signalini bevosita noldan yaratishga e’tibor qisman kamaygan, ammo ovoz yozuvlarini sodda segmentlarga ajratish usuli hanuz qo‘llanmoqda.

Gibrid nutq sintezidan nutqni tanib olish tizimlariga hujum qilish uchun foydalanish mumkin.

Brauzerda nutq sintezi

Zamonaviy veb-brauzerlar veb-ilovalarga nutq sintezi imkoniyatini SpeechSynthesis interfeysi orqali taqdim etadi. Bu interfeys Web Speech APItarkibiga kiradi va undan window.speechSynthesisorqali foydalanish mumkin. Interfeys ilova tomonida boshqaruv qatlami vazifasini bajaradi va yagona universal ovoz modelini belgilamaydi: aniq nutq xizmati va mavjud ovozlar to‘plami brauzer hamda platformaga bog‘liq. Matnni ovozli o‘qish so‘rovlari SpeechSynthesisUtteranceobyektlari bilan ifodalanadi. Ilova mavjud ovozlar ro‘yxatini asinxron tarzda quyidagi vositalar yordamida oladi: getVoices() metodi va shu bilan bog‘liq hodisa — voiceschanged.

Ovozga oid dipfeyklar

Matnni nutqqa aylantirish algoritmini o‘zgartirish va muayyan inson nutqining audioyozuvlarini kompyuterda qayta ishlash orqali o‘sha insonning ovozini «soxtalashtirish» mumkin. Shu yo‘l bilan ovozli dipfeyklar (deepfakes)yaratiladi. Bu texnologiya yordamida filmlarni boshqa tillarga moslashtirishda aktyorlar ovozini moslashtirish, gapirish qobiliyatini yo‘qotgan insonlar uchun tabiiy nutq hosil qilish, bolalarga ota-onalari ovozida audiokitoblar o‘qib berish, nutqni muayyan aksentga moslash, shuningdek, ovozli yordamchilaruchun haqiqiyga o‘xshash videoavatarlar — virtual shaxslarni yaratish mumkin. Bundan tashqari, qo‘shiqni go‘yoki boshqa inson (xonanda yoki guruh) ijro etgandek eshittiradigan audioyozuv ham yaratilishi mumkin. YouTube’da bunday yozuvlarga AI cover (AI — sun’iy intellekt) belgisi qo‘yiladi. Ammo bu texnologiyadan firibgarlar aldash, obro‘sizlantirish yoki yolg‘on axborot tarqatish uchun ham foydalanishlari mumkin.

Adabiyotlar

  • B. M. Lobanov, L. I. Tsirulnik. «Nutqni kompyuterda sintezlash va klonlash». — Minsk: «Belorusskaya nauka», 2008. — 316 bet.
  • Jeyms L. Flanagan. «Nutqni tahlil qilish, sintezlash va idrok etish». — Moskva: «Svyaz», 1968. — 394 bet.
  • V. N. Sorokin. «Nutq sintezi». — Moskva: «Nauka», 1992.
  • Dyutua, Tyerri. Matndan nutq sinteziga kirish. — Kluwer Academic Publishers nashriyoti, 1997. — 312 bet. — ISBN 0-7923-4498-7.
  • S. V. Ribin. «NUTQ SINTEZI». «Nutq sintezi» fani bo‘yicha o‘quv qo‘llanma. — Sankt-Peterburg: ITMO universiteti, 2014. — 92 bet. / annotatsiya pdf

Havolalar