एनिमेटेड लेसन बनाएँ
अनुरोध परयह लेख पढ़ना मुफ़्त है। नया लेसन बनाने में आपके दैनिक या उपलब्ध क्रेडिट लगते हैं; भाषा और विकल्प पहले चुन सकते हैं।
टेक्स्ट-टू-स्पीच कैसे काम करता है?
झटपट जवाब
टेक्स्ट-टू-स्पीच पहले टेक्स्ट को फ़ोनीम यानी ध्वनि की इकाइयों में तोड़ता है, फिर अंदाज़ा लगाता है कि उन्हें सही सुर और लय के साथ कैसे बोला जाए, और आखिर में ऑडियो वेवफ़ॉर्म बनाता है। पुराने सिस्टम रिकॉर्ड किए टुकड़े जोड़ते थे; नए न्यूरल सिस्टम बड़े स्पीच डेटासेट से टेक्स्ट से आवाज़ तक का पूरा रिश्ता सीखते हैं।
टेक्स्ट-टू-स्पीच लिखे हुए शब्दों को समझकर, उनके बोलने का तरीका तय करके और एक वेवफ़ॉर्म बनाकर उन्हें बोली हुई आवाज़ में बदलता है। नए न्यूरल सिस्टम हज़ारों घंटों की रिकॉर्ड की गई आवाज़ से यह सीखते हैं, इसलिए उनकी आवाज़ काफ़ी नेचुरल लगती है।
यह कैसे होता है — चरण दर चरण
- सिस्टम पहले टेक्स्ट को साफ़ करता है: छोटे रूप (abbreviation), नंबर और निशान पूरे बोले जाने वाले शब्दों में बदलता है।
- फिर वह शब्दों को फ़ोनीम में बदलता है, जो किसी भाषा की अलग-अलग ध्वनि इकाइयाँ हैं।
- एक मॉडल प्रोसोडी यानी सुर, टाइमिंग और ज़ोर का अंदाज़ा लगाता है, ताकि आवाज़ रोबोट जैसी नहीं बल्कि नेचुरल लगे।
- एक अकूस्टिक मॉडल फ़ोनीम और प्रोसोडी के क्रम को स्पेक्ट्रोग्राम में बदलता है, जो समय के साथ आवाज़ की फ़्रीक्वेंसी की तस्वीर है।
- एक वोकोडर उस स्पेक्ट्रोग्राम को ऑडियो वेवफ़ॉर्म में बदलता है, जिसे स्पीकर बजा सकते हैं।
लोग यह भी पूछते हैं
टेक्स्ट-टू-स्पीच कुछ शब्द गलत क्यों बोलता है?
गलत उच्चारण तब होता है जब सिस्टम मतलब के बजाय स्पेलिंग से फ़ोनीम का अंदाज़ा लगाता है। अंग्रेज़ी के 'lead' या 'read' जैसे शब्दों का उच्चारण संदर्भ पर निर्भर होता है, और कम सुने जाने वाले नाम या तकनीकी शब्द ट्रेनिंग डेटा में शायद न हों, इसलिए मॉडल कोई डिफ़ॉल्ट उच्चारण चुन लेता है।
वोकोडर क्या होता है?
वोकोडर आखिरी कदम है जो स्पेक्ट्रोग्राम, यानी समय के साथ आवाज़ की फ़्रीक्वेंसी की तस्वीर, को असली ऑडियो वेवफ़ॉर्म में बदलता है। पुराने वोकोडर रोबोट जैसे लगते थे; न्यूरल वोकोडर ऐसी आवाज़ बनाते हैं जिसे इंसान की रिकॉर्डिंग से अलग पहचानना मुश्किल है।
कभी-कभी आवाज़ रोबोट जैसी क्यों लगती है?
रोबोट जैसी आवाज़ तब आती है जब प्रोसोडी गायब या अटपटी हो: सपाट सुर, गलत जगह रुकना और हर शब्द पर एक-सा ज़ोर। पुराने कॉन्केटेनेटिव सिस्टम में रिकॉर्ड किए टुकड़ों के जोड़ पर क्लिक की आवाज़ भी आती थी। नए न्यूरल सिस्टम असली बोली से नेचुरल लय सीखकर ये कमियाँ घटाते हैं।
कॉन्केटेनेटिव और न्यूरल टेक्स्ट-टू-स्पीच में क्या फ़र्क है?
कॉन्केटेनेटिव सिस्टम इंसान की आवाज़ के छोटे रिकॉर्ड किए टुकड़े जोड़ते हैं, जो जोड़ पर अटके-अटके लग सकते हैं। न्यूरल सिस्टम सीखे हुए मॉडल से ऑडियो बनाते हैं, जिससे आवाज़ ज़्यादा स्मूद और भावों वाली बनती है, हालाँकि उन्हें ज़्यादा कंप्यूटिंग पावर चाहिए।
क्या टेक्स्ट-टू-स्पीच हर भाषा में काम करता है?
बराबर अच्छा नहीं। जिन भाषाओं में स्पेलिंग से उच्चारण के नियम सीधे हैं, जैसे स्पेनिश या हिंदी, उन्हें बदलना अंग्रेज़ी से आसान है, क्योंकि अंग्रेज़ी का उच्चारण बेतरतीब है। कई कम संसाधन वाली भाषाओं की रिकॉर्ड की गई आवाज़ बहुत कम है, इसलिए वहाँ क्वालिटी कमज़ोर रहती है।