Turb\u016bt visi esame gird\u0117j\u0119 tuos \u0161iek tiek mechani\u0161kai skamban\u010dius balsus, kai GPS navigacija liepia sukti \u012f de\u0161in\u0119 arba kai virtualus asistentas perskaito gaut\u0105 \u017einut\u0119. Tai kalbos sintez\u0117s \u2013 arba kaip da\u017enai sakoma, teksto \u012f kalb\u0105 (text-to-speech) \u2013 technologijos rezultatas. Bet kaip i\u0161 eilu\u010di\u0173 teksto kompiuteris sugeba sukurti ka\u017ek\u0105 pana\u0161aus \u012f \u017emogaus bals\u0105?<\/p>\n
Pirmiausia reikia suprasti, kad kompiuteris nemoka “kalb\u0117ti” tokia prasme, kaip tai darome mes. Jis neturi balso styg\u0173, plau\u010di\u0173 ar burnos. Visa kalba yra tik garso bang\u0173 generavimas pagal tam tikras taisykles. Galima sakyti, kad kompiuteris sukuria iliuzij\u0105 kalbos, o ne tikr\u0105j\u0105 kalb\u0105. Ta\u010diau \u0161iuolaikin\u0117s technologijos \u0161i\u0105 iliuzij\u0105 daro toki\u0105 \u012ftikinam\u0105, kad kartais sunku atskirti, ar kalba \u017emogus, ar ma\u0161ina.<\/p>\n
Kalbos sintez\u0117s sistema turi atlikti kelis pagrindinius \u017eingsnius: suprasti, k\u0105 rei\u0161kia tekstas, kaip jis tur\u0117t\u0173 b\u016bti tariamas, kokia intonacija ir ritmu, o tada visa tai paversti garso bangomis. Skamba paprasta, bet tikrov\u0117je tai sud\u0117tingas procesas, kur\u012f \u017emon\u0117s atlieka intuityviai, o ma\u0161inoms reikia kruop\u0161\u010diai suprogramuoti kiekvien\u0105 detal\u0119.<\/p>\n
Pirmasis \u017eingsnis \u2013 teksto analiz\u0117. Kai \u012f sistem\u0105 patenka sakinys, ji turi suprasti ne tik \u017eod\u017eius, bet ir kontekst\u0105. Pavyzd\u017eiui, \u017eodis “gyvena” lietuvi\u0173 kalboje tariamas su kir\u010diu ant pirmo skiemens, bet sistema turi \u017einoti, kad tai veiksma\u017eodis, o ne kokia nors kita \u017eod\u017eio forma.<\/p>\n
Tekstas pirmiausia i\u0161skaidomas \u012f atskirus \u017eod\u017eius, tada \u012f skiemenis ir galiausiai \u012f fonemas \u2013 ma\u017eiausius garso vienetus. Lietuvi\u0173 kalboje yra apie 45 fonemos, angl\u0173 \u2013 apie 44, priklausomai nuo dialekto. Kiekviena raid\u0117 ar raid\u017ei\u0173 kombinacija turi b\u016bti “i\u0161versta” \u012f atitinkam\u0105 fonem\u0105. \u010cia ir prasideda sud\u0117tingumai, nes viena raid\u0117 gali skamb\u0117ti skirtingai priklausomai nuo konteksto.<\/p>\n
Pavyzd\u017eiui, lietuvi\u0173 kalboje raid\u0117 “e” gali b\u016bti tariama kaip [\u025b] arba [e\u02d0], priklausomai nuo to, ar ji kir\u010diuota. Sistema turi tur\u0117ti \u017eodyn\u0105 su taisykl\u0117mis, kaip kiekvienas \u017eodis tur\u0117t\u0173 b\u016bti tariamas. Bet kas nutinka su naujais \u017eod\u017eiais, kuri\u0173 n\u0117ra \u017eodyne? \u010cia \u012f pagalb\u0105 ateina fonetin\u0117s taisykl\u0117s \u2013 algoritmai, kurie bando “atsp\u0117ti” tarim\u0105 pagal \u017eod\u017eio strukt\u016br\u0105.<\/p>\n
Ankstyvosios kalbos sintez\u0117s sistemos veik\u0117 gana paprastai \u2013 jos tur\u0117jo \u012fra\u0161yt\u0173 garso fragment\u0173 bibliotek\u0105. \u012esivaizduokite did\u017eiul\u012f archyv\u0105, kuriame saugomi visi \u012fmanomi skiemen\u0173, \u017eod\u017ei\u0173 ar net frazi\u0173 \u012fra\u0161ai. Kai reik\u0117davo “i\u0161tarti” sakin\u012f, sistema tiesiog suklijuodavo atitinkamus garso gabal\u0117lius vienas prie kito.<\/p>\n
\u0160i technologija vadinama konkatenatyvine sinteze. Ji veik\u0117 pana\u0161iai kaip tas senas triukas su laikra\u0161\u010dio raid\u0117mis \u2013 i\u0161kirpate reikiamas raides ir sud\u0117liojate jas \u012f \u017eod\u017eius. Tik \u010dia vietoj raid\u017ei\u0173 buvo garso fragmentai. Problema ta, kad net ir tur\u0117dami t\u016bkstan\u010dius \u012fra\u0161yt\u0173 fragment\u0173, ne\u012fmanoma tur\u0117ti vis\u0173 galim\u0173 kombinacij\u0173. O kai sistema bandydavo sujungti fragmentus, kurie nebuvo \u012fra\u0161yti kartu, garsas skamb\u0117davo nenat\u016braliai \u2013 lyg robotas kalb\u0117t\u0173 per skardin\u0119 d\u0117\u017eut\u0119.<\/p>\n
Kad pagerint\u0173 rezultat\u0105, k\u016br\u0117jai prad\u0117jo \u012fra\u0161in\u0117ti ne tik atskirus garsus, bet ir difonus \u2013 per\u0117jimus tarp dviej\u0173 gars\u0173. Tai pad\u0117jo, bet vis tiek nei\u0161sprend\u0117 pagrindin\u0117s problemos: nat\u016brali kalba turi melodij\u0105, ritm\u0105, emocijas. \u017dmogus nekalb\u0117damas nesujungia \u017eod\u017ei\u0173 kaip LEGO kalad\u0117les \u2013 viskas teka skland\u017eiai, su nuolat besikei\u010dian\u010dia intonacija.<\/p>\n
Kita kryptis buvo parametrin\u0117 sintez\u0117, kur vietoj tikr\u0173 \u012fra\u0161\u0173 sistema generuoja gars\u0105 i\u0161 nulio naudodama matematinius modelius. \u010cia garso banga kuriama remiantis parametrais: da\u017eniu, amplit\u016bde, trukm\u0117 ir kitais akustiniais po\u017eymiais.<\/p>\n
Vienas populiariausi\u0173 metod\u0173 buvo formantiniu pagrindu veikianti sintez\u0117. Formantai \u2013 tai rezonansiniai da\u017eniai, kurie susidaro m\u016bs\u0173 balso trakte. Kai tariame skirtingas balses, kei\u010diame burnos ir lie\u017euvio pad\u0117t\u012f, o tai kei\u010dia formant\u0173 da\u017enius. Pavyzd\u017eiui, garsas “a” turi visai kitokius formantus nei “i”.<\/p>\n
Parametrin\u0117 sintez\u0117 leido sukurti kompakti\u0161kesnes sistemas \u2013 nereik\u0117jo saugoti gigabait\u0173 garso \u012fra\u0161\u0173. Ta\u010diau rezultatas da\u017enai skamb\u0117davo dar labiau roboti\u0161kai nei konkatenatyvinis metodas. Kod\u0117l? Nes \u017emogaus balsas yra ne\u012ftik\u0117tinai sud\u0117tingas. Jame yra \u0161imtai subtili\u0173 niuans\u0173, kuriuos sunku apra\u0161yti matematin\u0117mis formul\u0117mis. Tai lyg bandyti nupie\u0161ti Mona Liz\u0105 naudojant tik geometrines fig\u016bras \u2013 gali gauti ka\u017ek\u0105 pana\u0161aus, bet tr\u016bks gyvyb\u0117s.<\/p>\n
Tikrasis prover\u017eis \u012fvyko pastar\u0105j\u012f de\u0161imtmet\u012f, kai \u012f \u017eaidim\u0105 \u012fsijung\u0117 dirbtinis intelektas ir gilieji neuron\u0173 tinklai. Vietoj to, kad programuotojams reik\u0117t\u0173 rankiniu b\u016bdu apra\u0161yti visas kalbos taisykles, sistema gali i\u0161mokti j\u0173 pati \u2013 tiesiog klausydamasi t\u016bkstan\u010di\u0173 valand\u0173 \u017emogaus kalbos \u012fra\u0161\u0173.<\/p>\n
\u0160iuolaikin\u0117s sistemos, tokios kaip WaveNet, Tacotron ar j\u0173 patobulintos versijos, veikia visai kitaip. Jos naudoja gil\u0173j\u012f mokym\u0105si \u2013 technologij\u0105, kuri leid\u017eia kompiuteriui atpa\u017einti sud\u0117tingus \u0161ablonus duomenyse. Sistema “maitinama” mil\u017eini\u0161ku kiekiu garso \u012fra\u0161\u0173 su atitinkamu tekstu. Laikui b\u0117gant, ji i\u0161moksta, kaip tekstas koreliuoja su garso bangomis.<\/p>\n
\u012edomiausia tai, kad sistema i\u0161moksta ne tik tarti \u017eod\u017eius, bet ir perduoti intonacij\u0105, emocij\u0105, net kv\u0117pavimo garsus ir kitas nat\u016bralios kalbos ypatybes. Ji supranta, kad klausimo pabaigoje balsas kyla auk\u0161tyn, kad po kablelio reikia trumpos pauz\u0117s, kad svarbus \u017eodis sakinyje tariamas su didesniu akcentu.<\/p>\n
WaveNet, kur\u012f suk\u016br\u0117 DeepMind, generuoja garso bang\u0105 ta\u0161kas po ta\u0161ko \u2013 16 000 ta\u0161k\u0173 per sekund\u0119. Kiekvienas naujas ta\u0161kas prognozuojamas remiantis visais ankstesniais ta\u0161kais. Tai ne\u012ftik\u0117tinai daug skai\u010diavim\u0173, bet rezultatas stulbinantis \u2013 balsas skamba beveik neatskiriamai nuo tikro \u017emogaus.<\/p>\n
Viena \u012fdomiausi\u0173 \u0161iuolaikin\u0117s kalbos sintez\u0117s galimybi\u0173 \u2013 balso klonavimas. Teori\u0161kai, tur\u0117dami pakankamai j\u016bs\u0173 balso \u012fra\u0161\u0173 (paprastai reikia bent keli\u0173 valand\u0173), sistema gali i\u0161mokti kalb\u0117ti j\u016bs\u0173 balsu. Ji analizuoja j\u016bs\u0173 balso unikalias charakteristikas: tembro, da\u017enio diapazon\u0105, tariam\u0173 gars\u0173 ypatumus, intonacijos modelius.<\/p>\n
Procesas prasideda nuo balso analiz\u0117s. Sistema i\u0161skaido \u012fra\u0161us \u012f ma\u017eus fragmentus ir kiekvienam i\u0161traukia \u0161imtus akustini\u0173 po\u017eymi\u0173. Tai lyg balso “pir\u0161t\u0173 atspaudai”. Tada, kai reikia sintezuoti nauj\u0105 tekst\u0105, sistema generuoja gars\u0105, kuris atitinka tuos pa\u010dius akustinius po\u017eymius.<\/p>\n
Moderniausios sistemos gali tai padaryti net su labai nedideliu duomen\u0173 kiekiu \u2013 kartais u\u017etenka vos keli\u0173 minu\u010di\u0173 \u012fra\u0161\u0173. Tai veikia naudojant transfer learning technik\u0105 \u2013 sistema jau yra i\u0161mokusi bendrus kalbos principus i\u0161 t\u016bkstan\u010di\u0173 kit\u0173 bals\u0173, tod\u0117l jai reikia tik “suderinti” parametrus konkre\u010diam balsui.<\/p>\n
\u017dinoma, tai kelia ir etini\u0173 klausim\u0173. Jei kas nors gali sukurti j\u016bs\u0173 balso kopij\u0105, kaip apsisaugoti nuo suk\u010diavimo? Jau dabar yra atvej\u0173, kai nusikalt\u0117liai naudoja sintetint\u0105 bals\u0105 telefono suk\u010diavimui. Tod\u0117l kartu su technologija vystosi ir balso autenti\u0161kumo tikrinimo metodai.<\/p>\n
Vienas did\u017eiausi\u0173 i\u0161\u0161\u016bki\u0173 kalbos sintez\u0117je \u2013 prozodija. Tai viskas, kas susij\u0119s su kalba, bet n\u0117ra tiesiogiai \u017eod\u017eiai: intonacija, ritmas, akcentai, pauz\u0117s, tempas, emocinis tonas. Tas pats sakinys “Puiku” gali reik\u0161ti nuo\u0161ird\u0173 d\u017eiaugsm\u0105 arba sarkazm\u0105 priklausomai nuo to, kaip j\u012f i\u0161tariate.<\/p>\n
Ankstyvosios sistemos su prozodija nesusidorodavo visi\u0161kai. Jos kalb\u0117davo monotoni\u0161kai, lyg skaitydamos telefon\u0173 knyg\u0105. \u0160iuolaikin\u0117s AI sistemos i\u0161moksta prozodijos i\u0161 duomen\u0173, bet vis dar ne visada supranta kontekst\u0105 teisingai. Pavyzd\u017eiui, sistema gali nesuprasti, kad tam tikras sakinys yra ironi\u0161kas, ir i\u0161tars j\u012f neutraliai.<\/p>\n
Kad pagerint\u0173 prozodijos valdym\u0105, kai kurios sistemos leid\u017eia vartotojui nurodyti papildomus parametrus: emocij\u0105 (linksmas, li\u016bdnas, piktas), kalbos greit\u012f, net konkret\u0173 intonacijos kont\u016br\u0105. Profesionaliose sistemose galima redaguoti sintezuot\u0105 kalb\u0105 beveik kaip muzikos \u012fra\u0161\u0105 \u2013 keisti atskir\u0173 \u017eod\u017ei\u0173 auk\u0161t\u012f, trukm\u0119, garsum\u0105.<\/p>\n
Lietuvi\u0173 kalboje prozodija ypa\u010d svarbi d\u0117l kir\u010diavimo sistemos. Turime ne tik kirt\u012f (kuris skiemuo pabr\u0117\u017eiamas), bet ir priegaides (kaip tas kir\u010diuotas skiemuo tariamas). \u017dod\u017eiai “k\u00e1lnas” ir “kaln\u00e0s” ra\u0161omi beveik vienodai, bet tariami skirtingai. Sistema turi \u017einoti \u0161ias taisykles, kitaip kalba skamb\u0117s keistai net lietuviams, kurie galb\u016bt nes\u0105moningai nepastebi kir\u010di\u0173, bet jau\u010dia, kai ka\u017ekas negerai.<\/p>\n
\u0160iandien kalbos sintez\u0117 yra visur. Virtual\u016bs asistentai \u2013 Siri, Google Assistant, Alexa \u2013 visi naudoja pa\u017eangias sintez\u0117s sistemas. Navigacijos programos, ekrano skaitytuvai ne\u012fgaliesiems, garsin\u0117s knygos, \u0161vietimo programos, klient\u0173 aptarnavimo botai \u2013 s\u0105ra\u0161as ilgas.<\/p>\n
Viena \u012fdomiausi\u0173 sri\u010di\u0173 \u2013 prieinamumo technologijos. \u017dmon\u0117s, prarad\u0119 kalb\u0117jimo geb\u0117jim\u0105 d\u0117l ligos ar traumos, gali naudoti sintezuot\u0105 bals\u0105 bendrauti. Yra sistem\u0173, kurios gali atkurti \u017emogaus bals\u0105 pagal senus \u012fra\u0161us \u2013 pavyzd\u017eiui, jei kas nors \u017eino, kad serga liga, kuri paveiks kalb\u0105, gali i\u0161 anksto “\u012fra\u0161yti” savo bals\u0105 b\u016bsimai naudoti.<\/p>\n
Versle kalbos sintez\u0117 taupo did\u017eiulius resursus. Vietoj to, kad samdyt\u0173 aktorius \u012fra\u0161in\u0117ti t\u016bkstan\u010dius frazi\u0173 skirtingomis kalbomis, kompanijos gali naudoti sintez\u0119. Tai ypa\u010d naudinga turin\u012f, kuris da\u017enai kei\u010diasi \u2013 pavyzd\u017eiui, oro prognoz\u0117s, akcij\u0173 kainos, naujienos.<\/p>\n
Lietuvi\u0173 kalbai kalbos sintez\u0117 vis dar yra i\u0161\u0161\u016bkis. M\u016bs\u0173 kalba morfologi\u0161kai sud\u0117tinga, turi daug linksni\u0173, gal\u016bni\u0173, kir\u010diavimo niuans\u0173. Nors yra lietuvi\u0161k\u0173 sintez\u0117s sistem\u0173, jos da\u017enai atsilieka kokybe nuo angl\u0173 ar kit\u0173 pagrindini\u0173 kalb\u0173 sistem\u0173. Prie\u017eastis paprasta \u2013 ma\u017eiau duomen\u0173, ma\u017eiau investicij\u0173 \u012f tyrim\u0105. Ta\u010diau situacija ger\u0117ja, ypa\u010d su atvirojo kodo projektais ir akademiniais tyrimais.<\/p>\n
\u017dvelgiant \u012f ateit\u012f, kalbos sintez\u0117 art\u0117ja prie ta\u0161ko, kai bus visi\u0161kai neatskirama nuo tikros \u017emogaus kalbos. Jau dabar geriausi modeliai Turing test\u0105 praeina be problem\u0173 \u2013 \u017emon\u0117s negali pasakyti, ar kalba \u017emogus, ar ma\u0161ina. Bet tai ne pabaiga \u2013 technologija juda link dar sud\u0117tingesni\u0173 tiksl\u0173.<\/p>\n
Vienas j\u0173 \u2013 realaus laiko vertimas su balso i\u0161saugojimu. \u012esivaizduokite pokalb\u012f, kur j\u016bs kalbate lietuvi\u0161kai, o j\u016bs\u0173 pa\u0161nekovas girdi jus angli\u0161kai, bet j\u016bs\u0173 balsu, su j\u016bs\u0173 intonacija. Arba film\u0173 dubliavimas, kur aktorius kalba originalia kalba, bet j\u016bs girdite j\u012f savo kalba, ir l\u016bp\u0173 judesiai atitinka gars\u0105.<\/p>\n
Kita kryptis \u2013 emoci\u0161kai intelektual\u016bs balsai. Sistemos, kurios ne tik teisingai taria \u017eod\u017eius, bet ir supranta kontekst\u0105, emocijas, gali pritaikyti savo ton\u0105 prie situacijos. Virtualus asistentas, kuris jau\u010dia, kad esate susierzin\u0119s, ir atitinkamai kei\u010dia savo kalbos stili\u0173 \u2013 nebe fantastika.<\/p>\n
Technologija vystosi ne\u012ftik\u0117tinu grei\u010diu, bet kartu kyla klausim\u0173. Kaip apsaugoti \u017emones nuo balso klastojimo? Kaip u\u017etikrinti, kad technologija b\u016bt\u0173 prieinama visiems, ne tik didel\u0117ms kalboms? Kaip i\u0161laikyti \u017emogi\u0161kum\u0105 pasaulyje, kur ma\u0161inos kalba kaip \u017emon\u0117s?<\/p>\n
Viena ai\u0161ku \u2013 kalbos sintez\u0117 jau pakeit\u0117 m\u016bs\u0173 gyvenim\u0105 ir toliau keis. Nuo paprastos pagalbin\u0117s technologijos ji virsta fundamentaliu b\u016bdu, kaip \u017emon\u0117s s\u0105veikauja su ma\u0161inomis ir vienas su kitu. Ir nors technologija gali sukurti tobul\u0105 garso iliuzij\u0105, tikroji \u017emogaus kalbos vert\u0117 \u2013 ne tik garso bangose, bet ir mintyse, emocijose ir s\u0105mon\u0117je, kuri u\u017e j\u0173 slypi. Bent jau kol kas.<\/p>\n","protected":false},"excerpt":{"rendered":"