Преглед садржаја:
Дефиниција - Шта значи синтеза говора?
Синтеза говора је вештачка симулација људског говора помоћу рачунара или другог уређаја. Против препознавања гласа, синтеза говора углавном се користи за превођење текстуалних информација у аудио информације и у апликацијама као што су услуге са гласом и мобилне апликације. Поред овога, користи се и као помоћна технологија за помоћ појединцима са оштећењем вида у читању текстуалног садржаја.
Техопедија објашњава синтезу говора
Хомер Дудлеи'с ВОДЕР, који је заснован на воцодеру из Белл Лабораториес, сматра се првим потпуно функционалним синтетизатором гласа. Рачунар који се користи у синтези говора познат је као синтетизатор говора или рачунарски говор. Квалитет говорног рачунара често се процењује по његовој сличности са људским гласом. Већина рачунарских оперативних система садржи уграђени синтетизатор говора од почетка деведесетих. Синтетизирани говор обично се генерише уз помоћ спојених дијелова снимљеног говора, који се налазе у бази података.
Почетна фаза у синтези говора је предобрада, која елиминише двосмисленост око начина на који треба читати одређену реч, а која такође укључује руковање хомографима. У следећој фази синтезе говора рачунар користи фонеме да би текст претворио у редослед звукова. Последња фаза укључује употребу људских снимака или основних техника стварања звука да опонашају механизам људског гласа и читају читав текст. Једна од популарних грана синтезе говора је аудио-визуелна синтеза говора или мултимодална синтеза говора која користи анимирано лице чврсто синхронизовано да допуни синтетизовани говор. Мултимодална синтеза говора такође укључује додатне функције као што су невербалне знакове говора како би се лакше комуницирале корисникове речи. Многи системи за синтезу говора омогућавају корисницима да одаберу врсту гласа, попут мушког или женског гласа.
Већина система за синтезу говора могу читати текстове и репродуковати их на врло интелигентан начин, мада глас понекад може бити пригушен. Међутим, синтеза говора тек треба да развије способност да у потпуности опонаша широк спектар људских интонација и каденце.
