Распознавание речи — процесс преобразования произнесённых слов в печатный текст.

Распознавание речи включает в себя:

• захват и оцифровку звука, произнесённого в микрофон;

• преобразование оцифрованного звука в фонемы;

• конструирование из фонем слов;

• анализ контекста, в котором было произнесено слово, и, при необходимости, замена слов на похожие по звучанию.

Распознающая программа (движок распознавания текста) итерационно сравнивает распознанный текст с правилами грамматики приложения и при совпадении текста с серией правил формирует выходной поток XML с использованием языка разметки семантики (англ. Semantic Markup Language, SML). Выходной поток содержит распознанный текст, значения вероятностей правильного распознания и может содержать семантические значения, присвоенные при помощи разметки интерпретации семантики. Распознанный текст обычно используется для ввода данных при помощи диктовки и для управления приложениями при помощи речевых команд.

Размер правил грамматики ограничивает возможности распознавания текста. Большинство программ, поддерживающих диктовку, для обеспечения наиболее точного распознавания настраиваются на речевые обороты конкретного пользователя. Режим управления речевыми командами более прост для реализации, поскольку содержание правил грамматики ограничено имеющимися командами.

Синтез речи — процесс преобразования текста в произносимые слова.

Синтез речи включает в себя:

• разделение слов на фонемы;

• нахождение текста, требующего преобразование в символы, такого как числа, количество валюты и пунктуация;

• генерация цифрового звука для воспроизведения.

Движки преобразования текста в речь могут использовать один из двух способов синтеза голоса:

• генерировать звуки, подобные издаваемым голосовыми связками и использовать различные фильтры для моделирования длины горла, форму ротовой полости, расположение губ и языка;

• собирать его из многочисленных кусков речи, записанных диктором.

Способы синтеза речи[править | править исходный текст]

Все способы синтеза речи можно подразделить на группы:^[2]

• параметрический синтез;
• конкатенативный, или компиляционный (компилятивный) синтез;
• синтез по правилам;
• предметно-ориентированный синтез.

Параметрический синтез[править | править исходный текст]

Параметрический синтез речи является конечной операцией в вокодерных системах, где речевой сигнал представляется набором небольшого числа непрерывно изменяющихся параметров. Параметрический синтез целесообразно применять в тех случаях, когда набор сообщений ограничен и изменяется не слишком часто. Достоинством такого способа является возможность записать речь для любого языка и любого диктора. Качество параметрического синтеза может быть очень высоким (в зависимости от степени сжатия информации в параметрическом представлении). Однако параметрический синтез не может применяться для произвольных, заранее не заданных сообщений.

Компиляционный синтез[править | править исходный текст]

Компиляционный синтез сводится к составлению сообщения из предварительно записанного словаря исходных элементов синтеза. Размер элементов синтеза не меньше слова. Очевидно, что содержание синтезируемых сообщений фиксируется объёмом словаря. Как правило, число единиц словаря не превышает нескольких сотен слов. Основная проблема в компилятивном синтезе — объёмы памяти для хранения словаря. В этой связи используются разнообразные методы сжатия/кодирования речевого сигнала. Компилятивный синтез имеет широкое практическое применение. В западных странах разнообразные устройства (от военных самолётов до бытовых устройств) оснащаются системами речевого ответа. В России системы речевого ответа до недавнего времени использовались в основном в области военной техники, сейчас они находят всё большее применение в повседневной жизни, например, в справочных службах операторов сотовой связи при получении информации о состоянии счета абонента.

Полный синтез речи по правилам[править | править исходный текст]

Полный синтез речи по правилам (или синтез по печатному тексту) обеспечивает управление всеми параметрами речевого сигнала и, таким образом, может генерировать речь по заранее неизвестному тексту. В этом случае параметры, полученные при анализе речевого сигнала, сохраняются в памяти так же, как и правила соединения звуков в слова и фразы. Синтез реализуется путём моделирования речевого тракта, применения аналоговой или цифровой техники. Причём в процессе синтезирования значения параметров и правила соединения фонем вводят последовательно через определённый временной интервал, например 5—10 мс. Метод синтеза речи по печатному тексту (синтез по правилам) базируется на запрограммированном знании акустических и лингвистических ограничений и не использует непосредственно элементов человеческой речи. В системах, основанных на этом способе синтеза, выделяется два подхода. Первый подход направлен на построение модели речепроизводящей системы человека, он известен под названиемартикуляторного синтеза. Второй подход — формантный синтез по правилам. Разборчивость и натуральность таких синтезаторов может быть доведена до величин, сравнимых с характеристиками естественной речи.

Синтез речи по правилам с использованием предварительно запомненных отрезков естественного языка — это разновидность синтеза речи по правилам, которая получила распространение в связи с появлением возможностей манипулирования речевым сигналом в оцифрованной форме. В зависимости от размера исходных элементов синтеза выделяются следующие виды синтеза:

• микросегментный (микроволновый);
• аллофонический;
• дифонный;
• полуслоговой;
• слоговой;
• синтез из единиц произвольного размера.

Обычно в качестве таких элементов используются полуслоги — сегменты, содержащие половину согласного и половину примыкающего к нему гласного. При этом можно синтезировать речь по заранее не заданному тексту, но трудно управлять интонационными характеристиками. Качество такого синтеза не соответствует качеству естественной речи, поскольку на границах сшивки дифонов часто возникают искажения. Компиляция речи из заранее записанных словоформ также не решает проблемы высококачественного синтеза произвольных сообщений, поскольку акустические и просодические (длительность и интонация) характеристики слов изменяются в зависимости от типа фразы и места слова во фразе. Это положение не меняется даже при использовании больших объёмов памяти для хранения словоформ.

Предметно-ориентированный синтез[править | править исходный текст]

Предметно-ориентированный синтез компилирует слова записанные заранее, а также фразы для создания полных речевых сообщений. Он используется в приложениях, где многообразие текстов системы будет ограничено определенной темой/областью, например объявления об отправлении поездов и прогнозы погоды. Эта технология проста в использовании и достаточно долго применялась в коммерческих целях: ее так же применяли при изготовлении электронных приборов, таких как говорящие часы икалькуляторы. Естественность звучания этих систем потенциально может быть высокой благодаря тому, что многообразие видов предложений ограничено и близко с соответствием интонацией исходных записей. А так как эти системы ограничены выбором слов и фраз в базе данных, они в дальнейшем не могут иметь широкое распространение в сферах деятельности человека, лишь потому, что способны синтезировать комбинации слов и фраз, на которые они были запрограммированы.

Для пользовательского синтеза и распознавания речи на компьютере с Microsoft Windows  необходимо наличие специального программного обеспечения, включающего:

• Интерфейс программирования приложений и библиотеки для работы программ распознавания и синтеза речи
  Например, MS Speech API runtime: http://speech-soft.ru/download/ms_speech_api.exe

• Движок синтеза русской речи для агента.
  Например, Lernout TTS Engine: http://speech-soft.ru/download/lhttsrur.exe

• голосовой модуль

• Приложение для работы с движками распознавания и синтеза речи.
  Например, MS Agent: http://speech-soft.ru/download/MSagent.exe

Text-to-speech engine (ТТS, движок синтеза речи, речевой движок) - программа преобразования текста в речь.

TТS  преобразуют текст в речь и голос, отвечают за тембр речи, скорость воспроизведения, интонацию, и другие особенности.

Движки синтеза речи выполнены в виде системного драйвера и не имеют внешнего интерфейса.

Для использования движка необходимы:

• голосовой модуль (часто включается в состав движка)

• программа синтеза речи, которая выполняет роль интерфейса, позволяет работать с движком, изменять его настройки, звучание речи, использует дополнительные возможности.

Движки синтеза речи характеризуются несколькими параметрами:

• количество языков синтеза речи (русский, английский, французский...),

• тип голоса (мужской, женский...),

• способ синтеза речи,

• поддерживаемые стандарты (SAPI - speech application programming interface),

• сфера применения.

Настроки поддерживаемые движками:

• скорость речи (speed),

• высота голоса (тембр, pitch),

• громкость (volume)

• ускоренный режим записи (т.е. режиме при котором запись идет в несколько раз быстрее, чем проигрывание полученного аудиофайла в реальном времени).

Выпускаются движки синтеза речи различными компаниями.

Microsoft поставляет бесплатный базовый набор речевых движков вместе с операционными системами Windows XP/7/8 в совтаве Speech API (SAPI).

Для установки TТS нужно скачать дистрибутив, и запустить процесс установки.

Сразу же после установки голосовой движок будет доступен для использования посредством поддерживающей его программы-синтезатора речи (он должен появиться в списке доступных голосовых движков программы-синтезатора).

Примеры TTS Engine для Windows:

• Движок Sakrament TTS Engine
  Разработчик: Sakramanet Дата 2006
  Сайт www.sakrament.com
  Поддержка SAPI 5
  Русскоговорящий движок от белорусской фирмы Sakrament с программой для чтения текстов Рассказчiк. 

• Движок Acapela Elan Speech Cube Telecom RUS (Nicolai).
  Разработчик: Acapela Дата 2005
  Сайт http://www.elantts.com
  Поддержка 4 и SAPI 5

• Движок Acapela Infovox Desktop 2.220 Engine (Alyona)
  Разработчик: Acapela Дата 2008
  Сайт http://www.elantts.com
  Поддержка SAPI 4 и SAPI 5

• Движок ScanSoft RealSpeak Russian Voice (Katerina)
  Разработчик: ScanSoft (сейчас Nuance Communications) Дата 2005
  Сайт http://www.nuance.com/realspeak/
  Поддержка SAPI 5 Голос «Катерины» напоминает истерическую алкоголичку, но при этом более «человеческий», чем у «Николая». Не поддерживает регулировку тембра голоса и подключаемые словари.

• Движок Loquendo TTS (Olga)
  Разработчик: Loquendo (Италия) Год выпуска: 2008
  Поддержка SAPI 4 и SAPI 5

• Движок IVONA TTS (Tatyana)
  Разработчик: IVONA Software Год выпуска: 2013
  Сайт разработчика: www.ivona.com
  Поддержка SAPI 5

Коммерческие TTS:

• SVOX Mobile TTS (http://www.svox.com/)
  Цена: договорная для B2B сегмента
  Языки: 26, включая русский
  Субъективная оценка качества звучания: высокое
  Мобильные ОС: Android, Symbian, Windows CE / Windows Mobile, BREW

• Acapela TTS (http://www.acapela-group.com/)
  Цена: 2800€ плюс так называемая run-time license, за которую в самом лучшем случае придется платить по 49€ за каждое распространенное приложение
  Языки: 23, включая русский
  Субъективная оценка качества звучания: высокое
  Мобильные ОС: Symbian, Windows CE / Windows Mobile, Embedded Linux, iOS
  Для iOS сделан отдельный сайт http://www.acapela-for-iphone.com/.
  Предоставляет «облачный» синтез речи, а также портирование SDK под любую платформу.

• Loquendo Embedded TTS (http://www.loquendo.com/)
  Цена: 3000€ плюс проценты с каждого проданного Вами мобильного приложения
  Языки: 26, включая русский
  Субъективная оценка качества звучания: высокое
  Мобильные ОС: Android, Symbian, Windows CE / Windows Mobile, Embedded Linux, iOS, Maemo, Moblin, MeeGo, PalmOS
  Движок Loquendo отвечает спецификации SSML 1.0, рекомендованной W3C и обладает специальными тегами, позволяющими делать речь более естественной, подмешивая в нее  кашель, смех и прочее.
  Движок отвечает спецификации SSML 1.0, рекомендованной W3C.

• Sakrament TTS (http://www.sakrament.com/)
  Цена: 1500€ для одной ОС
  Языки: английский, русский
  Субъективная оценка качества звучания: среднее
  Мобильные ОС: Symbian, Windows Mobile
  Возможность разработки коммерческих продуктов: есть
  Качества синтеза речи Sakrament TTS вполне достаточно, что бы озвучивать короткие фразы типа номеров телефонов или названий приложений.

Свободные TTS:

• Flite
  Языки: английский плюс возможность компиляции языков FestVox
  Субъективная оценка качества звучания: низкое
  Мобильные ОС: Android, Windows CE / Windows Mobile, iOS, PalmOS

• eSpeak (http://espeak.sourceforge.net/)
  Языки: 39, включая русский
  Субъективная оценка качества звучания: среднее
  Мобильные ОС: Android, Windows CE / Windows Mobile

Встроенные решения:

• Android (http://www.android.com/)
  Языки: английский, французский, немецкий, итальянский, испанский
  Субъективная оценка качества звучания: среднее
  Встроенная функциональность синтеза речи в Android доступна с версии 1.6.

По неизвестной причине Microsoft лишила свою мобильную ОС соответствующего программного интерфейса (MS SAPI).

TTS, голосовые модули для различных языков, словари, сообщество, редакторы и др. http://mytts.forum2x2.ru

kmp