سیستمی است که کلمات نوشتاری را به کلمات گفتاری تبدیل می کند.
بسیار آسان و ساده، درست است؟ اما ماجرا از آنجایی پیچیده میشود که این سیستم میتواند واحدهای گفتاری را ذخیره کند که شامل تلفن ها، مکالمات تلفنی، کلمات و جملات کامل باشد. سپس این واحدهای گفتاری را در ترکیبات خاصی گرد هم می آورد تا گفتاری، ترکیبی ایجاد کند که هر چیزی را میگوید؛ و همه اینها با استفاده از صدایی که از ابتدا آن جملات را ضبط کرده است، انجام میشود. در حالی که اولین دستگاه ضبط صدا یا مکالمه ابتدا در سال 1939 معرفی شد، پیشرفتهای تکنولوژی TTS طی چند سال گذشته بسیار سریعتر و چشمگیرتر از 75 سال گذشته بوده است. در ذیل، به برخی از این پیشرفتها و توانایی ها اشاراتی شده است:
این نرم افزار دارای یک مدل از قطعه صوتی است که ویژگی های صدای انسان را دارد تا بیشتر شبیه صدای انسان به نظر برسد.
در ادامه بخوانید: بالا رفتن سن، چه تاثیری بر صدای گویندگان دارد.
(شبیه سازی صدای انسان) اصطلاحات نادرست گفتاری را اصلاح میکند، تلفظ ها و لهجه های نامتعارف را تنظیم میکند، تاکید ها را اضافه میکند و سایر اشکالات را از طریق تکنولوژی SSML) Speech Synthesis Markup Language) برطرف میکند. روبو کالهایی (تماسهای رباتیک) تولید میکند که میتواند مانند انسان مکالمه را متوقف کند و از تو بپرسد ” آیا صدای مرا میشنوی ” و قبل از ادامه کار مانند انسان منتظر پاسخ می ماند. حرکات لب را برای دوبله کپی میکند (لب خوانی) اشتباهات کوچک که در ضبط صدا ممکن است پیش بیاد را اصلاح و ویرایش میکند. از صدای یک شخص واقعی بانک صوتی ایجاد میکند تا بعدها بتواند در ترکیب گفتار راحت تر مورد استفاده قرار دهد. از زمانیکه TTS با برنامه های آموزشی کامپیوتری، اطلاعات جامع تر و هوش مصنوعی ترکیب شد، باعث شد عملکرد هوشمندانه تر و واقعی تری را ارائه دهد و همانگونه که قبلا ذکر شد این امر ممکن است برای برخی افراد مشغول به کار در صنعت صدا، تهدیدی بزرگ به شمار رود.