Por qué el habla sintetizada suena tan mal

Tenemos tricorders , teletransportación y interfaces dinámicas de pantalla táctil , pero no la predicción más mundana de Star Trek y otras innumerables franquicias de ciencia ficción: habla sintetizada similar a la humana.

Aquellos de ustedes que no han escuchado un discurso sintetizado desde la última vez que lo vieron Una breve historia del tiempo , prepárese para sentirse decepcionado por el falta de progreso . Aquí está Roger Ebert usando un sintetizador de texto a voz preprogramado con su propia voz:

Y aquí, solo como referencia, hay algo no menos inteligible y solo un poquito más robótico, solo que tiene alrededor de 25 años y se ejecuta en una computadora con aproximadamente 1/62 000 de memoria:

Si este es el estado del arte, ¿es de extrañar que el Al gremio de autores ya no parece importarle que el iPad, como el Kindle, puede leer un documento en voz alta?

Por supuesto, comparar el dispositivo generador de voz (SGD) de Ebert con el de Hawking revela que ahora tenemos la capacidad de hacer que una computadora Robby -La voz de la especie suena algo así como la voz de la persona cuya voz se supone que un SGD debe reemplazar: un buen primer paso en el uso de estos dispositivos para quienes padecen enfermedades degenerativas como la ELA o, en el caso de Ebert, una pérdida debida al cáncer.

Los SGD que suenan como un individuo son posibles debido a lo que se conoce como síntesis de voz basada en datos o síntesis de voz concatenativa. Esta técnica se utiliza en conjunto con banca por voz , en el que un usuario que sabe que perderá el poder del habla lo graba con horas de antelación.

Discurso sintetizado versus concatenado

A diferencia del habla verdaderamente sintetizada, una tarea hercúlea que requiere que un programador genere una voz desde cero utilizando solo modificaciones de sonidos básicos, la síntesis de voz basada en datos se basa en una biblioteca de horas de habla natural, reproduciendo secciones cortas para componer cualquier palabra en el idioma de destino. Es un poco como la diferencia entre los sintetizadores de música de la vieja escuela y el muestreo.

Monófonos, difonos, trifonos ...

La síntesis de voz basada en datos tiene varios problemas. La primera es que compone el habla a partir de difonos, pares de sonidos de palabras. Esto es bastante computacionalmente intensivo: cada palabra que habla el SGD debe estar compuesta de múltiples difonos que debe identificar en su base de datos existente.

Esto significa miles y miles de difonos y, sin embargo, las palabras que hablamos no son meras concatenaciones de pares de sonidos; algunas palabras son colecciones de sonidos en sí mismas, y los difonos comunes a dos palabras pueden no sonar bien en una tercera, lo que podría requerir un trífono o incluso algo más. Es fácil ver cómo la cantidad de combinaciones posibles entre las que un SGD tendría que elegir se convierte rápidamente en un problema insoluble cuando se mueve más allá de las simples unidades de dos sonidos.

El problema monótono

Incluso los mejores sistemas de habla concatenados disponibles comercialmente ni siquiera intentan superar el problema del énfasis. En el habla normal, transmitimos emociones a través de una variedad de trucos: pausas, el tiempo de las sílabas, el tono. Incluso en el laboratorio, los mejores intentos de poner emociones como la ira y el miedo en un discurso sintetizado Transmitir con éxito estos sentimientos solo alrededor del 60% del tiempo ( pdf aquí ), y los números son aún peores para la alegría.

Al igual que la inteligencia artificial, el reconocimiento de voz y la visión por computadora, la síntesis de voz es otra de las funciones que los humanos realizan con facilidad y que hasta ahora nos ha resultado increíblemente difícil de reproducir. en silico .

Sigue a Mims en Twitter o contáctalo por correo electrónico .

esconder