fbpx
Wikipedia

Síntesis de habla

Septiembre 14, 2021

La síntesis de habla es la producción artificial del habla. El sistema computarizado que es usado con este propósito es llamado computadora de habla o sintetizador de voz y puede ser implementado en productos software o hardware. Un sistema text-to-speech (TTS) convierte el lenguaje de texto normal en habla; otros sistemas recrean la representación simbólica lingüística como transcripciones fonéticas en habla.[1]​

Stephen Hawking fue una de las personas más famosas en emplear un sintetizador de voz para comunicarse

El habla sintetizada puede ser creada a través de la concatenación de fragmentos de habla grabados que son almacenados en una base de datos. Los sistemas difieren en el tamaño de las unidades de habla almacenadas; un sistema que almacena fonos y difonos permite un mayor rango de sonidos pero carece de claridad. Para usos específicos, el tamaño del almacenamiento de palabras completas u oraciones permite una mayor calidad de audio. De manera alternativa, un sintetizador puede incorporar un modelo de tracto vocal u otras características de la voz humana para recrear completamente una voz "sintética".[2]​

La calidad de un sintetizador de voz se juzga por la similitud que tenga con la voz humana y su habilidad para ser entendido con claridad. Un programa de conversión de texto en habla inteligible permite que las personas con discapacidades visuales o dificultades para leer puedan escuchar textos en una computadora. Muchos sistemas operativos tienen sintetizadores de voz integrados desde principios de los noventa.

Diagrama de un sistema TTS típico

Un sistema o "motor" de texto a habla (TTS) está compuesto de dos partes:[3]​ un front-end y back-end. El front-end tiene dos tareas principales. Primero, convertir el texto con caracteres, números, símbolos y abreviaciones en su equivalente en palabras escritas. Este proceso es llamado como "normalización del texto", "pre-procesamiento" o "tokenización", posteriormente el front-end asigna una transcripción fonética a cada palabra, marca y divide el texto en unidades prosódicas, como frases, cláusulas y oraciones. El proceso de asignar transcripciones fonéticas a las palabras es llamado conversión "texto a fonema" o "grafema a fonema". La información de transcripciones fonéticas o prosódicas preparan la información de la representación simbólica lingüística que es el resultado del front-end. El back-end, comúnmente referido como el "sintetizador", convierte la representación simbólica lingüística en sonido. En algunos sistemas, esta parte incluye el cómputo de "intención prosódica" (tono del perfil, duración de los fonemas),[4]​ el cual es implementado en la voz de salida.

Historia

Antes de que el procesamiento de señal electrónico fuera inventado, hubo quienes intentaron construir máquinas para imitar el habla humana. Algunas de las primeras leyendas de la existencia de los "Brazen Heads" involucraron a Silvestre II (d. 1003 AD), Alberto Magno (1198–1280) y Roger Bacon (1214–1294).

En 1779 el científico danés Christian Kratzenstein, mientras trabajaba en Academia de Ciencias de Rusia, construyó modelos del tracto vocal humano que podían reproducir los sonidos de las cinco vocales (en notación el de Alfabeto Fonético Internacional para el inglés, son [aː], [eː], [iː], [oː] y [uː]).[5]​ Esto fue continuado por la "Wolfgang von Kempelen's Speaking Machine" operada por fuelles hecha por Wolfgang von Kempelen de Bratislava, Hungría, descrita en un texto en 1791.[6]​ Esta máquina integró modelos de labios y lengua, permitiendo producir consonantes, así como vocales. En 1837 Charles Wheatstone produjo un "máquina parlante" basada en el diseño de Von Kempelen, y en 1857, M. Faber construyó la máquina "Euphonia". El diseño de Wheatstone fue empleado por Paget en 1923.[7]​

En la década de los treinta, los laboratorios Bell desarrollaron el vocoder, el cual automáticamente analizaba el habla a través de su nota fundamental y resonancias. De su trabajo con el vocoder, Homer Dudley desarrolló un sintetizador operado por un teclado llamado The Voder, el cual fue exhibido en la New York World's Fair de 1939.[8]​

El "Pattern playback" fue construido por el Dr. Franklin S. Cooper y sus colegas en los laboratorios Haskins a finales de los cuarenta y finalizado en los cincuenta. Ha habido varias versiones de este dispositivo de hardware, pero solo una existe. La máquina convierte las imágenes de patrones acústicos en habla de la manera en forma de un espectrograma a sonido. Usando este dispositivo, Alvin Liberman y sus colegas lograron descubrir indicadores acústicos para la percepción de segmentos fonéticos (vocales y consonantes).[9]​

Los sistemas dominantes en los ochentas y noventas eran el sistema DECtalk, basado en el trabajo de Dennis Klatt en MIT,[10]​ y el sistema de los laboratorios Bell;[11]​ que después se convertiría en un de los primeros sistemas multi-lenguajes independientes, haciendo un uso extensivo de los métodos de procesamiento de lenguajes naturales.

Los primeros sintetizadores de habla tenían un sonido robótico y poseían poca inteligibilidad. La calidad del habla sintetizada ha sido mejorada, pero el audio de salida de la síntesis de habla contemporánea aún es distinguible del habla humana.

Debido a la proporción de costo-rendimiento, los sintetizadores de habla se han convertido cada vez más baratos y accesibles para las personas, más gente será beneficiada por el uso de programas texto-habla.[12]​

Dispositivos electrónicos

 
La computadora y el sintetizador de voz usado por Stephen Hawking en 1999

Los primeros sistemas de computadora basados en la síntesis de voz fueron creados en los cincuenta. El primer sistema general de inglés de texto-habla fue desarrollado por Noriko Umeda et al. en 1968 en Laboratorio Electrotecnico en Japón.[13]​ En 1961, el físico John Larry Kelly, Jr y su colega Louis Gerstman[14]​ usaron una computadora IBM 704 para sintetizar la voz, un evento importante en la historia de los laboratorios Bell. El sintetizador de voz de Kelly (vocoder) reprodujo la canción "Daisy Bell" con el acompañamiento musical de Max Mathews. Casualmente, Arthur C. Clarke estaba visitando a su amigo y colega John Pierce en los laboratorios Bell en Murray Hill. Clarke estaba tan impresionado por la demostración que la usó en la escena clímax para su novela 2001: A Space Odyssey,[15]​ donde la computadora HAL 9000 canta la misma canción cuando pone a dormir al astronauta David Bowman.[16]​ Pese al éxito de la síntesis de voz electrónica pura, aún se continua investigando sobre los sintetizadores de voz mecánicos.[17]​

Dispositivos móviles electrónicos incluyendo síntesis de voz comenzaron a aparecer en los setentas. Unos de los primeros fue la calculadora para ciegos Speech+ de Telesensory Systems Inc. (TSI) en 1976.[18]​[19]​ Otros dispositivos fueron producidos con fines educativos como el "Speak & Spell", creado por Texas Instruments en 1978.[20]​ Fidelity lanzó una versión parlante de su ajedrez electrónico en 1979.[21]​ El primer videojuego en incluir la síntesis de voz fue el arcade shoot 'em up, Stratovox, de Sunsoft.[22]​ Otro de los primeros ejemplos es la versión arcade de Berzerk del mismo año. El primer juego electrónico multijugador en usar la síntesis de voz fue "Milton" de Milton Bradley Company, [23]​ la cual produjo el dispositivo en 1980.

Tecnologías del sintetizador

Las cualidades más importantes de los sistemas de síntesis de voz son la "naturalidad" y la "inteligibilidad". La naturalidad describe qué tan cerca el audio de salida esta de la voz humana, mientras que la inteligibilidad es el grado de entendimiento que tiene el audio. El sintetizador de voz ideal es tanto natural como inteligible. Los sistemas de síntesis de voz usualmente tratan de maximizar estas características.[24]​

Las dos tecnologías primarias que generan formas de ondas sintéticas de voz son la "síntesis concatenativa" y la "síntesis de formantes". Cada tecnología tiene sus fortalezas y debilidades, dependiendo de su uso se podrá determinar que acercamiento será usado.[25]​

Síntesis concatenativa

La síntesis concatenativa está basada en la concatenación (o unión) de segmentos de una voz grabada. Generalmente, la síntesis concatenativa produce el sonido más natural de una voz sintetizada. Sin embargo, las diferencias entre las variaciones naturales en el habla y la naturaleza de las técnicas automatizadas para segmentación de formas de onda algunas veces resulta en glitches audibles en el audio de salida. Existen tres sub-tipos de síntesis concatenaitva.

Síntesis de selección de unidades

La síntesis de selección de unidades emplea bases de datos de voces grabadas. Durante la creación de la base de datos, cada enunciado grabado es segmentado en: fonos, difonos, medios fonos, sílabas, morfemas, palabras, frases y oraciones. Normalmente la división en segmentos es hecha con ayuda de un sistema de reconocimiento del habla modificado, usando representaciones visuales como la forma de onda y un espectrograma.[26]​ Un índice de las unidades de voz en la base de datos es creado basado en la segmentación y en parámetros acústicos como la frecuencia fundamental (tono), duración, posición de la sílaba y fonemas cercanos. Durante el tiempo de ejecución, el enunciado deseado es creado determinando la mayor cadena posible de unidades (selección de unidades). Este proceso es llevado a cabo usando un árbol de decisión.

La selección de unidades permite una naturalidad mayor debido a que emplea un menor procesamiento digital de señales (DSP) en el habla grabada. El procesamiento digital de señales usualmente ocasiona que el sonido de la voz no sea tan natural, aunque algunos sistemas emplean una pequeña cantidad de procesamiento de la señal en el punto de la concatenación para ajustar la forma de onda. El audio de salida de la mejor selección de unidades usualmente es indistinguible de las voces humanas reales, especialmente en contextos con sistemas TTS. Sin embargo, un mayor naturalidad requiere de bases de datos de selección de unidades muy grandes, en algunos sistemas llegando a ser de gigabytes de datos grabados, representando docenas de horas de voz.[27]​ También los algoritmos de selección de unidades son conocidos por seleccionar segmentos de un lugar menos ideal (ej. las palabras pequeñas no son claras) aun cuando una mejor opción existe en la base de datos.[28]​ Recientemente, los investigadores han propuestos varios métodos automatizados para detectar segmentos no naturales en los sistemas de síntesis de selección de unidades.[29]​

Síntesis de difonos

La síntesis de difonos usa una base de datos de voz mínima que contiene todos los difonos (transiciones entre sonidos) que ocurren en el lenguaje. El número de difonos depende de la fonotáctica del lenguaje: por ejemplo, en el idioma español existen alrededor de 800 difonos y en el alemán 2500. En la síntesis de difonos, solo un ejemplo de cada difono es almacenado en la base de datos de voces. En el tiempo de ejecución, la prosodia objetivos de una oración es superpuesta en estas unidades mínimas a través de técnicas de procesamiento digital de señal como la codificación predictiva lineal, PSOLA[30]​ o MBROLA[31]​ o técnicas más recientes como la codificación del tono en el dominio de la fuente empleado la transformada de coseno discreta.[32]​ La síntesis de difonos sufre de glitches sonidos de la síntesis concatenativa y el sonido de naturaleza robótica de la síntesis de formantes y tiene pocas ventajas sobre cualquier otro acercamiento más que su tamaño. Su uso en aplicaciones comerciales ha disminuido, aunque sigue siendo investigada debido su número de aplicaciones en software gratuito.

Síntesis de dominio específico

La síntesis de dominio específico concatena palabras y frases pre-grabadas para crear enunciados completos. Es usada en aplicaciones donde la variedad de los textos del sistemas esta limitada a una salida de audio en un dominio particular, como los anuncios en un calendario de tránsito o reportes del clima.[33]​ La tecnológica es muy simple de implementar y ha sido empleada de manera comercial por varios años en dispositivos como calculadoras o relojes parlantes. El nivel de naturalidad de estos sistemas puede ser muy alto debido a que la variedad los tipos de oraciones esta limitada y logran estar muy cerca de la prosodia y entonación de las grabaciones originales.

Debido a que estos sistemas están limitados por las palabras y frases en sus bases de datos, no son empleados para propósitos generales y solo pueden sintetizar combinaciones de palabras y frases a los que han sido programados. La adherencia de las palabras con la naturalidad del lenguaje puede causar problemas, a menos que las variaciones sean tomada en cuenta. Por ejemplo en los dialectos no róticos del inglés las palabras r como «clear» /ˈklɪə/ usualmente son pronunciadas cuando la siguiente palabra tiene un vocal en su primera letra (ej. «clear out» se pronuncia como /ˌklɪəɾˈʌʊt/). Como en el idioma francés, varias de las últimas consonantes no son silenciosas si son seguidas por una palabra que comience con una vocal, el efecto es llamado Liaison. Esta alternación no puede ser reproducida por sistema simple de concatenación, el cual requiere una compleja gramática sensible al contexto adicional.

Síntesis de formantes

La síntesis de formantes no utiliza muestras de voz humana durante el tiempo de ejecución. En su lugar, el audio de salida es creado a partir de la síntesis aditiva y un modelo acústico (síntesis mediante modelado físico).[34]​ Parámetros como la frecuencia fundamental, fonación y niveles de ruido son variados a través del tiempo para crear un forma de onda de una voz artificial. Este metido alguna veces es llamado síntesis basa en reglas; sin embargo, existen sistemas de concatenación que también tienen componentes basados en reglas.

Varios sistemas basados en la tecnología de síntesis de formantes generan una voz artificial con sonido robótico que no podría ser confundida con la voz humana. Sin embargo, la naturalidad máxima no es el objetivo de los sistemas de síntesis de voz, los sistemas de síntesis de formantes tienen ventajas sobre otros sistemas de concatenación. El habla a través de la síntesis de formantes puede ser inteligible, inclusive a grandes velocidades, evitando glitches acústicos comunes en los sistemas de concatenación. El habla sintetizada a grandes velocidades es usada por personas con dificultades visuales para navegar de manera más fluida en computadoras usando un lector de pantalla. Los sintetizadores de formantes son programas pequeños en comparación a los sistemas de concatenación debido a que no tienen un base de datos de muestras de voz. Pueden ser empleados en sistemas embebidos donde la memoria y el poder del microprocesador son limitados. Debido a que los sistemas basados en formantes tienen completo control sobre todos los aspectos del audio de salida, una amplia variedad de prosodias y entonaciones pueden ser generadas, para transmitir no solo preguntas o declaraciones, sino una variedad de emociones y entonaciones en la voz.

Algunos ejemplos de síntesis de formantes, no en tiempo real pero con gran precisión en el control de la entonación, se encuentran en trabajos de finales de los setenta por Texas Instruments con el juguete "Speak & Spell" y a finales de los ochentas en arcades de la compañía SEGA[35]​ y otros juegos de arcade de Atari[36]​ usando chips TMS5220 LPC de Texas Instrument. Crear la entonación apropiada era difícil y los resultados tenían que ser empatados en tiempo real con la interfaces texto-voz.[37]​

Síntesis articulatoria

La síntesis articulatoria se refiere a las técnicas computacionales para síntesis del habla basadas en los modelos del tracto vocal humano y los procesos de articulación que ocurren. El primer sintetizador articulatorio frecuentemente usado en experimentos de laboratorio fue desarrollado en los laboratorios Haskins a mediados de los setenta por Philip Rubin, Tom Baer y Paul Mermelstein. Este sintetizador, conocido como ASY, estaba basado en modelos del tracto vocal desarrollado en los laboratorios Bell en los sesentas y setentas por Paul Mermelstein, Cecil Coker y sus colegas.

Recientemente, los modelos de síntesis articulatoria no habían sido incorporados en sistemas de síntesis de voz comerciales. Una excepción notable es el sistema basado en NeXT, originalmente desarrollado y puesto a la venta por Trillium Sound Research, una división de la compañía de la Universidad de Calgary, donde mucha de la investigación fue llevada a cabo. Siguiente a la desaparición de NeXT (iniciada por Steve Jobs a finales de la década de los ochenta y fusionara con Apple Computer en 1997), el software Trillium fue publicado bajo GNU General Public License, con su trabajo continuando como gnuspeech. El sistema, puesto a la venta en 1994, permite una conversión de texto-habla basada en una completa articulación usando una guía de ondas o una línea de transmisión análoga de la voz humana y conductos nasales controlados por el "modelo distintivo de región" de Carré.

Síntesis basada en modelos HMM

La síntesis basada en HMM es un método de síntesis basado en modelos ocultos de Márkov, también llamada síntesis estadística paramédica. En este sistema, el espectro de frecuencias (tracto vocal), la frecuencia fundamental (fuente de la voz) y la duración (prosodia) del habla son modelados de manera simultánea por HMM. Las formas de onda del habla son generada por los HMM basados en un criterio máxima verosimilitud.[38]​

Síntesis de ondas sinusoidales

La síntesis de ondas sinusoidales es una técnica para síntesis de voz a través del reemplazo de formantes (principales bandas de energía) con tonos puros.[39]​

Desafíos

Desafíos de la normalización de textos

El proceso de normalización de textos rara vez es directo. Los textos están llenos de heteronomías, números y abreviaciones que requieren de un expansión en una representación fonética. Hay muchas palabras en inglés que son pronunciadas de manera diferente basadas en su contexto. Por ejemplo, «My latest project is to learn how to better project my voice» en inglés la palabra project contiene dos pronunciaciones.

La mayoría de los sistemas de texto-habla (TTS) no generan representaciones semánticas de los textos de entrada, por lo que sus procesos pueden resultar erróneos, con poco entendimiento y computacionalmente inefectivos. Como resultado varias técnicas heurísticas son usadas para predecir la manera apropiada de desambiguar homografías como examinar las palabras cercanas usando estadísticas acerca de la frecuencia de uso.

Recientemente los sistemas TTS han comenzado a usar HMM para generar "etiquetados gramaticales" para ayudar a desambiguar las homografías. Esta técnica es hasta cierto punto efectiva para varios casos sobre como "read" debe ser pronunciado como "red" dando a entender una conjugación en pasado. Las tasas de errores típicos usando HMM de esta manera están por debajo del cinco por ciento. Estas técnicas también funcionan para la mayoría de los lenguajes europeos, aunque el entrenamiento en el corpus lingüístico es frecuentemente difícil en estos lenguajes.

Decidir como convertir números es otro problema que los sistemas TTS enfrentan. Es un desafío simple de programación convertir un número a palabras (por lo menos en el idioma inglés), como "1325" se convierte en "mil trescientos veinticinco". Sin embargo, los número ocurren en diferentes contextos; "1325" puede leerse como "uno tres dos cinco", "trece veinticinco" o "uno trescientos veinticinco". Un sistema TTS usualmente puede inferir como expandir un número basado en las palabras cercanos, número y la puntuación, algunas veces el sistema permite una manera de especificar el contexto si es ambiguo.[40]​ Los números romanos pueden ser leídos de diferentes maneras dependiendo el contexto.

De manera similar, las abreviaciones pueden resultar ambiguas. Por ejemplo, la abreviación "in" de "pulgas" puede ser diferenciada por la palabra "in" (en) o en la dirección en inglés "12 St John St." usa la misma abreviación para "street" (calle) y "saint" (San). Los sistemas TTS con front ends inteligentes pueden realizar predicciones correctas acerca de la ambigüedad de las abreviaciones, mientras que otros ofrecen el mismo resultado en todos los casos, dando resultados sin sentido (y a veces cómicos) como "co-operation" interpretado como "company operation".

Desafíos de texto a fonemas

Los sistemas de síntesis de voz emplean dos acercamientos básicos para determinar la pronunciación de una palabra basados en su escritura, un proceso el cual es comúnmente llamado texto-fonema o conversión de grafema a fonema (fonema es el término usado en la lingüística para describir los sonidos distintivos en el lenguaje). El acercamiento más simple de la conversión texto-fonema es a través de diccionarios, en donde un diccionario amplio que contiene todas las palabras de un lenguaje y su correcta pronunciación almacenada por el programa. Determinar la correcta pronunciación de cada palabra es cuestión de verificar cada palabra en el diccionario y remplazarla por la pronunciación especificado por el diccionario. Otro acercamiento es a través de las reglas, en donde las reglas de pronunciación son aplicadas a las palabras para determinar la correcta pronunciación basándose en su escritura.

Cada acercamiento tiene sus ventajas y desventajas. El acercamiento basado en un diccionario es rápido y preciso, pero falla completamente cuando una palabra no se encuentra en este. De manera que el diccionario crece, también lo hace el tamaño memoria que requiere la síntesis del sistema. Por otra parte, el acercamiento basado en reglas trabaja con cualquier tipo de texto de entrada, pero la complejidad de las reglas crece de manera sustancial cuando el sistema detecta pronunciaciones o escrituras irregulares. (Considere la palabra en inglés "of", la cual es la única en donde se pronuncia la "f"). Como resultado, casi todos los sistemas de síntesis de voz usan una combinación de estos acercamientos.

Lenguajes con ortografía fonética tienen un sistema de escritura regular y la predicción de la pronunciación de las palabras basada en su ortografía es exitosa. Los sistemas de síntesis para lenguajes donde es común el uso del método de reglas de manera extensiva, recurriendo a diccionarios para algunas palabras, como nombres extranjeros y préstamos lingüísticos, que sus traducciones no son obvias a partir de su escritura. Por otra parte, los sistemas de síntesis de voz para lenguajes como el idioma inglés, el cual tiene sistemas de escritura extremadamente irregulares, tienden a recurrir a diccionarios y usar métodos de reglas solo para palabras inusuales o que no están en sus diccionarios.

Evaluación de desafíos

La consistente evaluación de los sistemas de síntesis de voz puede resultar difícil debido a la falta de aceptación un criterio de evaluación universal. Diferentes organizaciones usan comúnmente diferentes datos de voz. La calidad de los sistemas de síntesis de voz también depende del grado de calidad en la técnica de producción (que puede involucrar grabaciones digitales u analógicas) y su facilidad para reproducir la voz. La evaluación de los sistemas de síntesis de voz ha estado comprometida por las diferencias entre las técnicas de producción y reproducción.

Desde 2005, sin embargo, algunos investigadores han comenzado ha evaluar la síntesis de voz usando una hoja de datos de voz en común.[41]​

Prosodia y contenido emocional

Véase también: Prosodia

Un estudio en la revista Speech Communication por Amy Drahota y sus colegas en la Universidad de Portsmouth en Reino Unido, reporta que las personas que escuchan las grabaciones de voz pueden determinar, en diferentes niveles, si el emisor estaba sonriendo o no.[42]​[43]​[44]​ Se ha sugerido que la identificación de las características vocales que muestran un contenido emocional pueden ayudar a hacer el sonido de la síntesis de voz más natural. Una de las cuestiones relacionadas es el tono de las oraciones, dependiendo de cuando es afirmativo, interrogativo o una oración de exclamación. Una de las técnicas para la modificación de tono[45]​ usa la transformada de coseno discreta en el dominio de la fuente (residuo de predicción lineal). Tales técnicas para la modificación sincronizada de tono requieren una señalización previa de los tonos en la base de datos de la síntesis de voz usando técnicas como la extracción de épocas usando un índice de consonantes oclusivas aplicado a la predicción lineal integrada residual de las regiones de voz.[46]​

Hardware dedicado

Primeras tecnologías (no disponibles)

  • Icofono
  • Votrax
    • SC-01A
    • SC-02 / SSI-263 / "Artic 263"
  • General Instrument SP0256-AL2 (CTS256A-AL2)
  • National Semiconductor DT1050 Digitalker (Mozer - Forrest Mozer)
  • Silicon Systems SSI 263
  • Chips de voz Texas Instruments LPC
    • TMS5110A
    • TMS5200
    • MSP50C6XX - Vendido a Sensory, Inc. en 2001[47]​

Actuales (en 2013)

  • Magnevation SpeakJet (www.speechchips.com) TTS256 Hobby and experimenter.
  • Epson S1V30120F01A100 (www.epson.com) IC DECTalk Based voice, Robotic, Inglés y español.
  • Textspeak TTS-EM (www.textspeak.com)

Mattel

La consola de videojuegos Intellivision de Mattel, la cual es una computadora que carece de teclado, permitía un módulos de síntesis de voz llamado Intellivoice en 1982. Incluía el chip de síntesis de voz SP0256 Narrator en un cartucho. El Narrator tenía 2KB de Read-Only Memory (ROM) y era utilizado para guardar un base de datos de palabras genéricas que podían ser combinadas para hacer frases en los juegos de Intellivision. Desde que el chip Orator puede aceptar datos de una memoria externa, cualquier palabra adicional o frase requerida puede ser almacenada dentro del cartucho. Los datos consisten en cadenas de texto de coeficiente de filtros analógicos para modificar el comportamiento del modelo de tracto vocal del chip, en lugar de muestras digitales.

SAM

También lanzado en 1982, Software Automatic Mouth fue el primer software sintetizador de voz comercial. Posteriormente fue usado para la base del Macintalk. El programa no se encontraba disponible para computadoras Macintosh Apple (incluyendo Apple II y Lisa), sino para modelos de Atari y Commodore 64. La versión de Apple requería de hardware adicional para la conversión digital analógico, aunque era posible utilizar la salida de audio de la computadora (con distorsión) si la tarjeta no estaba presente. El Atari hizo uso de un chip de audio POKEY. La reproducción de voz en el Atari normalmente deshabitaba las peticiones de interrupción y apagaba el chip ANTIC durante la salida de audio. La salida se encontraba sumamente distorsionada cuando la pantalla estaba prendida. El Commodore 64 usaba el chip de audio SID.

Atari

El primer sistema de síntesis de voz integrado en un sistema operativo fue para las computadoras 1400XL/1450XL diseñado por Atari usando el chip Votrax SC01 en 1983. Las computadoras 1400XL/1450XL usaban Finite State Machine para lleve a cabo la síntesis de voz en inglés.[48]​ Sin embargo, las computadoras 1400XL/1450XL eran raras.

Las computadoras Atari ST eran vendidas con el "stspeech.tos" en un disquete.

Apple

El primer sintetizador de voz integrado en un sistema operativo fue el MacInTalk de Apple. El software estaba licenciado por desarrolladores terceros como Joseph Katz y Mark Barton (posteriormente, SoftVoice, Inc.) y la primera versión fue presentada durante la introducción de la computadora Macintosh en 1984. El demo presentado en enero, el cual empleaba de síntesis de voz basada en el software SAM, requería de 512KB de memoria RAM. Como resultado, no podía correr en una memoria RAM de 128KB, presente en las primeras Mac.[49]​ El demo fue llevado a cabo con un prototipo de 512KB, aunque esto no fue revelado a la audiencia lo que creó mayores expectativas para la Macintosh. A principios de los noventa, Apple expandió sus capacidades ofreciendo un sistema con un amplio soporte para la función texto-habla con la introducción de computadoras más veloces basadas en PowerPC, incluyó una mayor calidad de la voz reproducida. Apple también introdujo el reconocimiento del habla en sus sistemas los cuales permitían un set de comandos fluidos. Más recientemente, Apple ha incorporado muestras de voces. Comenzando como una curiosidad, el sistema de voz Macintosh de Apple ha evolucionado a un programa completo, PlainTalk, para personas con problemas relacionados con la vista. VoiceOver fue introducido en Mac OS X Tiger (10.4). Durante 10.4 (Tiger) y los primeros lanzamientos de 10.5 (Leopard) solo existía una voz en las Mac OS X. Desde 10.6 (Snow Leopard), el usuario puede escoger entre un amplio rango de múltiples voces. VoiceOver posee características como sonidos de inhalación entre oración, así como claridad en velocidades mayores en comparación al PlainTalk. Mac OS X también incluye el software "say", una aplicación de línea de comandos que convierte el texto en voz. Las adiciones estándar de AppleScript incluyen el software say que permite que un script utilice las voces instaladas y controle el tono, la velocidad y modulación del texto hablado.

El sistema operativo iOS de Apple, usado en el iPhone, iPad y iPod Touch usa la síntesis de voz de VoiceOver para accesibilidad.[50]​ Algunas aplicaciones también emplean síntesis de voz para facilitar la navegación, leer páginas web o traducir texto.

AmigaOS

El segundo sistema operativo en incluir un capacidades avanzadas de síntesis de voz fue AmigaOS, introducido en 1985. La síntesis de voz fue licenciada por Commodore International desde SoftVoice, Inc., quien también desarrolló el sistema texto-voz MacinTalk. Incluía un sistema completo de emulación de voz americana para el idioma inglés, con voces femeninas y masculinas y marcadores de "estrés", fue posible a través del chipset de Amiga.[51]​ El sistema de síntesis fue dividido en un dispositivo de narración, el cual era responsable de modular y concatenar fonemas, y una librería de traducción la cual traducción el texto en inglés a fonemas a través de un conjunto de reglas. AmigaOS también incluía procesador de habla de alto nivel que permitía a los usuario reproducir texto a través de líneas de comandos. La síntesis de voz ocasionalmente era usada por programas de terceros, particularmente procesadores de texto y software educativo. El software de síntesis se mantuvo intacto desde el primer lanzamiento de AmigaOS y Commodore eventualmente removería la síntesis de voz a partir de AmigaOS 2.1.

Pese a la limitación de los fonemas de inglés americano, una versión no oficial con síntesis de voz de varios idiomas fue desarrollada. Esto hacía uso de una versión extendida de la libraría del traductor la cual podía traducir a un número de lenguajes, a partir de las reglas de cada lenguaje.[52]​

Microsoft Windows

Véase también: Microsoft Agent

Sistemas modernos de escritorio de Windows pueden implementar componentes SAPI 1-4 y SAPI 5 para apoyar la síntesis de voz y el reconocimiento del habla. SAPI 4.0 estuvo disponible como una opción adicional para Windows 95 y Windows 98. Windows 2000 agregó el Microsoft Narrator, una utilidad para texto-voz para las personas que tuvieran alguna discapacidad visual. Programas de terceros como CoolSpeech, Textaloud y Ultra Hal pueden realizar varias tareas de texto-voz como leer texto desde un sitio web específico, correo electrónico, documento de texto, texto introducido por el usuario, etc. No todos los programas pueden usar la síntesis de voz de manera directa.[53]​ Algunos programas pueden emplear extensiones para leer texto.

Microsoft Speech Server es un paquete de voces para síntesis y reconocimiento basado en un servidor. Está diseñado para su uso en red con aplicaciones web y centros de llamadas.

Text-to-Speech (TTS) se refiere a la habilidad de las computadoras para leer texto. Un Motor TTS convierte el texto escrito en una representación fonética, posteriormente convierte la representación en ondas de sonido que pueden ser escuchadas. Motores TTS con diferentes lenguajes, dialectos y vocabularios especializados están disponibles a través de terceros.[54]​

Android

La versión 1.6 de Android agregó soporte para los sintetizadores de voz (TTS).[55]​

Internet

En la actualidad, existen un número de aplicaciones, plug-ins y gadgets que pueden leer mensajes directamente desde un cliente de correo electrónico y páginas web desde un navegador web o Google Toolbar como Text to Voice que es un complemento de Firefox. Algunos software especializados pueden narrar RSS. Por otra parte, los narradores RRS simplifican la información enviada permitiendo a los usuarios escuchar sus fuentes de noticias favoritas y convertirlas en podcasts. Existen lectores RSS en casi cualquier PC conectada a internet. Los usuarios pueden descargar archivos de audio generados a dispositivos portátiles, ej. con la ayuda de un receptor de podcast y escucharlos mientras caminas, corres, etc.

Un creciente campo en el internet basada en TTS son las tecnologías de apoyo como 'Browsealoud' de una compañía de Reino Unido y Readspeaker. Permiten la funcionalidad TTS a cualquiera (por cuestiones de accesibilidad, convencía, entretenimiento o información) con acceso a un navegador de internet. El proyecto Pediaphon fue creado en 2006 para permiter una navegación web similar a la basada en interface TTS en Wikipedia.[56]​

Otros trabajos están en desarrollo en el contexto de W3C a través de W3C Audio Incubator Group con el apoyo de BBC y Google Inc.

Otros

  • Seguido del fracaso comercial del hardware Intellivoice, los desarrolladores de videojuegos emplearon el software de síntesis de voz con moderación para futuros juegos. Un famoso ejemplo es la narración introductoria del videojuego Super Metroid de Nintendo para el Super Nintendo Entertainment System. Otros de los primeros sistemas en utilizar la síntesis de software en videojuegos son Atari 5200 (Baseball) y Atari 2600 (Quadrun y Open Sesame).
  • Algunos lectores de e-books, como Amazon Kindle, Samsung E6, PocketBook eReader Pro, enTourage eDGe y Bebook Neo.
  • El BBC Micro incorporó el chip de síntesis de voz TMS5220 de Texas Instruments.
  • Algunos modelos de computadoras Texas Instruments producidas en 1979 y 1981 (Texas Instruments TI-99/4 y TI-99/4A) eran capaces de la síntesis de texto-fonema o recitar palabras completas y frases (texto-diccionario), usando el popular periférico Speech Synthesizer. TI usó un codec propio para completar las frases generadas en aplicaciones, principalmente juegos.[57]​
  • OS/2 Warp 4 de IBM incluía el VoiceType, un precursor del IBM ViaVoice.
  • Sistemas que operan con software gratuito y open source incluyendo Linux son variados e incluyen programas open-source como Festival Speech Synthesis System, el cual usa la síntesis basada en difonos (puede usar un número limitado de voces MBROLA) y gnuspeech el cual emplea la síntesis articulatoria[58]​ de Free Software Foundation.
  • Las unidades GPS producidas por Garmin, Magellan, TomTom y otros emplean la síntesis de voz para la navegación de automóviles.
  • Yamaha produjo un sintetizador en 1999, el Yamaha FS1R el cual incluía capacidades de síntesis de formantes. Secuencias hasta de 512 formantes de vocales individuales y consonantes podía ser almacenadas y reproducidas, permitiendo frases cortas sintetizadas.

Lenguajes de marcado de síntesis de voz

Un número de lenguajes de marcado han sido establecidos para la interpretación de texto como voz en un formato de compilación XML. El más reciente es el Speech Synthesis Markup Language (SSML), el cual se convirtió en una recomendación W3C en 2004. Sistemas de lenguaje de marcado de síntesis de voz antiguos incluyen el Java Speech Markup Language (JSML) y SABLE. Aunque cada uno de estos fue propuesto como un estándar, ninguno de ellos ha sido adoptado ampliamente.

Los lenguajes de marcado de síntesis de voz son distinguidos de los lenguajes de marcado de diálogo. VoiceXML, por ejemplo, incluye tags relacionados al reconociendo de voz, manejo de diálogo y marcado, además de marcado de síntesis de voz.

Aplicaciones

La síntesis de voz ha sido una de las herramientas vitales de tecnologías de apoyo y su aplicación en esta área es significante y de gran uso. Permite que las barreras ambientales sean removidas para personas con diferentes discapacidades. La aplicación con mayor uso han sido los lectores de pantalla para personas con discapacidades visuales, pero los sistemas de texto-voz ahora son comúnmente usados por personas con dislexia y otras dificultades para la lectura, así como para los niños. También son frecuentemente empleados para ayudar a aquellos con discapacidades comunicativas usualmente a través de una voz de ayuda.

Las técnicas de síntesis de voz son usadas en productos de entretenimiento como juegos o animaciones. En 2007, Animo Limited anunció el desarrollo de una aplicación de software basada en la síntesis de voz de FineSpeech, explícitamente enfocada a consumidores en la industria del entretenimiento, permitiendo generar narraciones y líneas de diablo desacuerdo a las especificaciones del usuario.[59]​ La aplicación maduró en 2008 cuando NEC Biglobe anunció un servicio web que permitía a los usuarios crear frases apartar de voces de los personajes de Code Geass: Lelouch of the Rebellion R2,[60]​

El texto-voz ha encontrado nuevas aplicaciones fuera del mercado de la ayuda a los discapacitados. Por ejemplo, la síntesis de voz , combinada con el reconocimiento de voz, permite la interacción con dispositivos móviles a través de interfaces de procesamiento de lenguajes naturales. También ha sido usado como un segundo lenguaje de adquisición. Voki, por ejemplo, es una herramienta educativa creada por Oddcast que permite a los usuarios seleccionar su propio avatar, usando diferentes acentos. Pueden ser enviados a través de mail o ser colocados en sitios web o redes sociales.

API

Múltiples compañías ofrecen APIs TTS a los consumidores para acelerar el desarrollo de nuevas aplicaciones usando la tecnología TTS. Las compañías que ofrecen API TTS incluyen a AT&T, IVONA, Neospeech, Readspeaker y YAKiToMe!. Para el desarrollo de aplicación para móviles, el sistema operativo Android ha ofrecido una API TTS por un largo tiempo. De manera reciente, con iOS7, Apple ha comenzado a ofrecer de igual manera una API TTS.

Véase también

Referencias

  1. Allen, Jonathan; Hunnicutt, M. Sharon; Klatt, Dennis (1987). From Text to Speech: The MITalk system. Cambridge University Press. ISBN 0-521-30641-8. 
  2. Rubin, P.; Baer, T.; Mermelstein, P. (1981). «An articulatory synthesizer for perceptual research». Journal of the Acoustical Society of America 70 (2): 321-328. doi:10.1121/1.386780. 
  3. van Santen, Jan P. H.; Sproat, Richard W.; Olive, Joseph P.; Hirschberg, Julia (1997). Progress in Speech Synthesis. Springer. ISBN 0-387-94701-9. 
  4. Van Santen, J. (16 de abril de 1994). «Assignment of segmental duration in text-to-speech synthesis». Computer Speech & Language 8 (2): 95-128. doi:10.1006/csla.1994.1005. 
  5. History and Development of Speech Synthesis, Helsinki University of Technology, Retrieved on November 4, 2006
  6. Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine ("Mechanism of the human speech with description of its speaking machine," J. B. Degen, Wien). (en alemán)
  7. Mattingly, Ignatius G. (1974). . En Sebeok, Thomas A., ed. Current Trends in Linguistics (Mouton, The Hague) 12: 2451-2487. Archivado desde el original el 12 de mayo de 2013. Consultado el 1 de julio de 2015. 
  8. Lawrence, J. (2007). «2». Speech Science Primer: Physiology, Acoustics, and Perception of Speech (en inglés). p. 24. 
  9. «The Pattern Playback» (en inglés). Consultado el 3 de julio de 2015. 
  10. Klatt, Dennis (16 de abril de 1987), «How Klattalk became DECtalk: An Academic's Experiences in the Business World», The official proceedings of Speech Tech '87 (New York: Media Dimensions Inc./Penn State): 293-294  |obra= y |periódico= redundantes (ayuda).
  11. Sproat, Richard W. (1997). Multilingual Text-to-Speech Synthesis: The Bell Labs Approach. Springer. ISBN 0-7923-8027-4. 
  12. [[Raymond Kurzweil Raymond Kurzweil|Kurzweil, Raymond]] (2005). The Singularity is Near. Penguin Books. ISBN 0-14-303788-9. 
  13. Klatt, D. (1987) "Review of Text-to-Speech Conversion for English" Journal of the Acoustical Society of America 82(3):737-93
  14. Lambert, Bruce (21 de marzo de 1992). «Louis Gerstman, 61, a Specialist In Speech Disorders and Processes». New York Times. 
  15. . Archivado desde el original el 11 de diciembre de 1997. Consultado el 11 de diciembre de 1997. 
  16. . Bell Labs. Archivado desde el original el 29 de abril de 2011. Consultado el 17 de febrero de 2010. 
  17. Anthropomorphic Talking Robot Waseda-Talker Series
  18. TSI Speech+ & other speaking calculators
  19. Gevaryahu, Jonathan, "TSI S14001A Speech Synthesizer LSI Integrated Circuit Guide"Uso incorrecto de la plantilla enlace roto (enlace roto disponible en Internet Archive; véase el historial, la primera versión y la última).
  20. Breslow, et al. United States Patent 4326710: "Talking electronic game" April 27, 1982
  21. Voice Chess Challenger
  22. Gaming's Most Important Evolutions, GamesRadar
  23. "Far-out phonemes." Popular Mechanics (Tech Front Lines). Jun 1981
  24. Gahlawata, M., Malika, A., Bansalb, P. Natural Speech Synthesizer for Blind Persons Using Hybrid Approach’’. Procedia Computer Science, 2014, p. 86
  25. Schröder, M., Emotional Speech Synthesis: A Review’’. University of the Saarland, 2001, p.1
  26. Alan W. Black, Perfect synthesis for all of the people all of the time. IEEE TTS Workshop 2002.
  27. John Kominek and Alan W. Black. (2003). CMU ARCTIC databases for speech synthesis. CMU-LTI-03-177. Language Technologies Institute, School of Computer Science, Carnegie Mellon University.
  28. Julia Zhang. Language Generation and Speech Synthesis in Dialogues for Language Learning, masters thesis, Section 5.6 on page 54.
  29. William Yang Wang and Kallirroi Georgila (2011). Automatic Detection of Unnatural Word-Level Segments in Unit-Selection Speech Synthesis, IEEE ASRU 2011.
  30. . Archivado desde el original el 22 de febrero de 2007. Consultado el 28 de mayo de 2008. 
  31. T. Dutoit, V. Pagel, N. Pierret, F. Bataille, O. van der Vrecken. The MBROLA Project: Towards a set of high quality speech synthesizers of use for non commercial purposes. ICSLP Proceedings, 1996.
  32. R Muralishankar, A.G.Ramakrishnan and P Prathibha. Modification of Pitch using DCT in the Source Domain. "Speech Communication", 2004, Vol. 42/2, pp. 143-154.
  33. L.F. Lamel, J.L. Gauvain, B. Prouts, C. Bouhier, R. Boesch. Generation and Synthesis of Broadcast Messages, Proceedings ESCA-NATO Workshop and Applications of Speech Technology, September 1993.
  34. Dartmouth College: , 1993.
  35. como Astro Blaster, Space Fury y Star Trek: Strategic Operations Simulator
  36. como Star Wars, Firefox, Return of the Jedi, Road Runner, The Empire Strikes Back, Indiana Jones and the Temple of Doom, 720°, Gauntlet, Gauntlet II, A.P.B., Paperboy, RoadBlasters, Vindicators Part II, Escape from the Planet of the Robot Monsters
  37. John Holmes and Wendy Holmes (2001). Speech Synthesis and Recognition (2ª edición). CRC. ISBN 0-7484-0856-8. 
  38. «The HMM-based Speech Synthesis System». Hts.sp.nitech.ac.j. Consultado el 22 de febrero de 2012. 
  39. Remez, R.; Rubin, P.; Pisoni, D.; Carrell, T. (22 de mayo de 1981). «Speech perception without traditional speech cues». Science 212 (4497): 947-949. PMID 7233191. doi:10.1126/science.7233191. 
  40. «Speech synthesis». World Wide Web Organization. 
  41. «Blizzard Challenge». Festvox.org. Consultado el 22 de febrero de 2012. 
  42. . University of Portsmouth. 9 de enero de 2008. Archivado desde el original el 17 de mayo de 2008. 
  43. «Smile - And The World Can Hear You, Even If You Hide». Science Daily. 16 de enero de 2008. 
  44. Drahota, A. (2008). . Speech Communication 50 (4): 278-287. doi:10.1016/j.specom.2007.10.001. Archivado desde el original el 3 de julio de 2013. 
  45. Muralishankar, R.; Ramakrishnan, A. G.; Prathibha, P. (16 de febrero de 2004). «Modification of pitch using DCT in the source domain». Speech Communication 42 (2): 143-154. doi:10.1016/j.specom.2003.05.001. Consultado el 7 de diciembre de 2014. 
  46. Prathosh, A. P.; Ramakrishnan, A. G.; Ananthapadmanabha, T. V. (16 de diciembre de 2013). «Epoch extraction based on integrated linear prediction residual using plosion index». IEEE Trans. Audio Speech Language Processing 21 (12): 2471-2480. doi:10.1109/TASL.2013.2273717. Consultado el 19 de diciembre de 2014. 
  47. EE Times. "TI will exit dedicated speech-synthesis chips, transfer products to Sensory Archivado el 17 de febrero de 2012 en WebCite ." June 14, 2001.
  48. «1400XL/1450XL Speech Handler External Reference Specification» (PDF). Consultado el 22 de febrero de 2012. 
  49. «It Sure Is Great To Get Out Of That Bag!». folklore.org. Consultado el 24 de marzo de 2013. 
  50. «iPhone: Configuring accessibility features (Including VoiceOver and Zoom)». Apple. Consultado el 29 de enero de 2011. 
  51. Miner, Jay et al. (1991). Amiga Hardware Reference Manual (3ª edición). Addison-Wesley Publishing Company, Inc. ISBN 0-201-56776-8. 
  52. Devitt, Francesco (30 de junio de 1995). . Archivado desde el original el 26 de febrero de 2012. Consultado el 9 de abril de 2013. 
  53. «Accessibility Tutorials for Windows XP: Using Narrator». Microsoft. 29 de enero de 2011. Consultado el 29 de enero de 2011. 
  54. «How to configure and use Text-to-Speech in Windows XP and in Windows Vista». Microsoft. 7 de mayo de 2007. Consultado el 17 de febrero de 2010. 
  55. Jean-Michel Trivi (23 de septiembre de 2009). «An introduction to Text-To-Speech in Android». Android-developers.blogspot.com. Consultado el 17 de febrero de 2010. 
  56. Andreas Bischoff, The Pediaphon - Speech Interface to the free Wikipedia Encyclopedia for Mobile Phones, PDA's and MP3-Players, Proceedings of the 18th International Conference on Database and Expert Systems Applications, Pages: 575-579 ISBN 0-7695-2932-1, 2007
  57. . Mindspring.com. Archivado desde el original el 3 de octubre de 2013. Consultado el 17 de febrero de 2010. 
  58. «gnuspeech». Gnu.org. Consultado el 17 de febrero de 2010. 
  59. «Speech Synthesis Software for Anime Announced». Anime News Network. 2 de mayo de 2007. Consultado el 17 de febrero de 2010. 
  60. «Code Geass Speech Synthesizer Service Offered in Japan». Animenewsnetwork.com. 9 de septiembre de 2008. Consultado el 17 de febrero de 2010. 


  •   Datos: Q16346
  •   Multimedia: Speech synthesis

Septiembre 14, 2021
síntesis, habla, síntesis, habla, producción, artificial, habla, sistema, computarizado, usado, este, propósito, llamado, computadora, habla, sintetizador, puede, implementado, productos, software, hardware, sistema, text, speech, convierte, lenguaje, texto, n. La sintesis de habla es la produccion artificial del habla El sistema computarizado que es usado con este proposito es llamado computadora de habla o sintetizador de voz y puede ser implementado en productos software o hardware Un sistema text to speech TTS convierte el lenguaje de texto normal en habla otros sistemas recrean la representacion simbolica linguistica como transcripciones foneticas en habla 1 Stephen Hawking fue una de las personas mas famosas en emplear un sintetizador de voz para comunicarse El habla sintetizada puede ser creada a traves de la concatenacion de fragmentos de habla grabados que son almacenados en una base de datos Los sistemas difieren en el tamano de las unidades de habla almacenadas un sistema que almacena fonos y difonos permite un mayor rango de sonidos pero carece de claridad Para usos especificos el tamano del almacenamiento de palabras completas u oraciones permite una mayor calidad de audio De manera alternativa un sintetizador puede incorporar un modelo de tracto vocal u otras caracteristicas de la voz humana para recrear completamente una voz sintetica 2 La calidad de un sintetizador de voz se juzga por la similitud que tenga con la voz humana y su habilidad para ser entendido con claridad Un programa de conversion de texto en habla inteligible permite que las personas con discapacidades visuales o dificultades para leer puedan escuchar textos en una computadora Muchos sistemas operativos tienen sintetizadores de voz integrados desde principios de los noventa Diagrama de un sistema TTS tipico Un sistema o motor de texto a habla TTS esta compuesto de dos partes 3 un front end y back end El front end tiene dos tareas principales Primero convertir el texto con caracteres numeros simbolos y abreviaciones en su equivalente en palabras escritas Este proceso es llamado como normalizacion del texto pre procesamiento o tokenizacion posteriormente el front end asigna una transcripcion fonetica a cada palabra marca y divide el texto en unidades prosodicas como frases clausulas y oraciones El proceso de asignar transcripciones foneticas a las palabras es llamado conversion texto a fonema o grafema a fonema La informacion de transcripciones foneticas o prosodicas preparan la informacion de la representacion simbolica linguistica que es el resultado del front end El back end comunmente referido como el sintetizador convierte la representacion simbolica linguistica en sonido En algunos sistemas esta parte incluye el computo de intencion prosodica tono del perfil duracion de los fonemas 4 el cual es implementado en la voz de salida Indice 1 Historia 1 1 Dispositivos electronicos 2 Tecnologias del sintetizador 2 1 Sintesis concatenativa 2 1 1 Sintesis de seleccion de unidades 2 1 2 Sintesis de difonos 2 1 3 Sintesis de dominio especifico 2 2 Sintesis de formantes 2 3 Sintesis articulatoria 2 4 Sintesis basada en modelos HMM 2 5 Sintesis de ondas sinusoidales 3 Desafios 3 1 Desafios de la normalizacion de textos 3 2 Desafios de texto a fonemas 3 3 Evaluacion de desafios 3 4 Prosodia y contenido emocional 4 Hardware dedicado 5 Mattel 6 SAM 6 1 Atari 6 2 Apple 6 3 AmigaOS 6 4 Microsoft Windows 6 5 Android 6 6 Internet 6 7 Otros 7 Lenguajes de marcado de sintesis de voz 8 Aplicaciones 9 API 10 Vease tambien 11 ReferenciasHistoria EditarAntes de que el procesamiento de senal electronico fuera inventado hubo quienes intentaron construir maquinas para imitar el habla humana Algunas de las primeras leyendas de la existencia de los Brazen Heads involucraron a Silvestre II d 1003 AD Alberto Magno 1198 1280 y Roger Bacon 1214 1294 En 1779 el cientifico danes Christian Kratzenstein mientras trabajaba en Academia de Ciencias de Rusia construyo modelos del tracto vocal humano que podian reproducir los sonidos de las cinco vocales en notacion el de Alfabeto Fonetico Internacional para el ingles son aː eː iː oː y uː 5 Esto fue continuado por la Wolfgang von Kempelen s Speaking Machine operada por fuelles hecha por Wolfgang von Kempelen de Bratislava Hungria descrita en un texto en 1791 6 Esta maquina integro modelos de labios y lengua permitiendo producir consonantes asi como vocales En 1837 Charles Wheatstone produjo un maquina parlante basada en el diseno de Von Kempelen y en 1857 M Faber construyo la maquina Euphonia El diseno de Wheatstone fue empleado por Paget en 1923 7 En la decada de los treinta los laboratorios Bell desarrollaron el vocoder el cual automaticamente analizaba el habla a traves de su nota fundamental y resonancias De su trabajo con el vocoder Homer Dudley desarrollo un sintetizador operado por un teclado llamado The Voder el cual fue exhibido en la New York World s Fair de 1939 8 El Pattern playback fue construido por el Dr Franklin S Cooper y sus colegas en los laboratorios Haskins a finales de los cuarenta y finalizado en los cincuenta Ha habido varias versiones de este dispositivo de hardware pero solo una existe La maquina convierte las imagenes de patrones acusticos en habla de la manera en forma de un espectrograma a sonido Usando este dispositivo Alvin Liberman y sus colegas lograron descubrir indicadores acusticos para la percepcion de segmentos foneticos vocales y consonantes 9 Los sistemas dominantes en los ochentas y noventas eran el sistema DECtalk basado en el trabajo de Dennis Klatt en MIT 10 y el sistema de los laboratorios Bell 11 que despues se convertiria en un de los primeros sistemas multi lenguajes independientes haciendo un uso extensivo de los metodos de procesamiento de lenguajes naturales Los primeros sintetizadores de habla tenian un sonido robotico y poseian poca inteligibilidad La calidad del habla sintetizada ha sido mejorada pero el audio de salida de la sintesis de habla contemporanea aun es distinguible del habla humana Debido a la proporcion de costo rendimiento los sintetizadores de habla se han convertido cada vez mas baratos y accesibles para las personas mas gente sera beneficiada por el uso de programas texto habla 12 Dispositivos electronicos Editar La computadora y el sintetizador de voz usado por Stephen Hawking en 1999 Los primeros sistemas de computadora basados en la sintesis de voz fueron creados en los cincuenta El primer sistema general de ingles de texto habla fue desarrollado por Noriko Umeda et al en 1968 en Laboratorio Electrotecnico en Japon 13 En 1961 el fisico John Larry Kelly Jr y su colega Louis Gerstman 14 usaron una computadora IBM 704 para sintetizar la voz un evento importante en la historia de los laboratorios Bell El sintetizador de voz de Kelly vocoder reprodujo la cancion Daisy Bell con el acompanamiento musical de Max Mathews Casualmente Arthur C Clarke estaba visitando a su amigo y colega John Pierce en los laboratorios Bell en Murray Hill Clarke estaba tan impresionado por la demostracion que la uso en la escena climax para su novela 2001 A Space Odyssey 15 donde la computadora HAL 9000 canta la misma cancion cuando pone a dormir al astronauta David Bowman 16 Pese al exito de la sintesis de voz electronica pura aun se continua investigando sobre los sintetizadores de voz mecanicos 17 Dispositivos moviles electronicos incluyendo sintesis de voz comenzaron a aparecer en los setentas Unos de los primeros fue la calculadora para ciegos Speech de Telesensory Systems Inc TSI en 1976 18 19 Otros dispositivos fueron producidos con fines educativos como el Speak amp Spell creado por Texas Instruments en 1978 20 Fidelity lanzo una version parlante de su ajedrez electronico en 1979 21 El primer videojuego en incluir la sintesis de voz fue el arcade shoot em up Stratovox de Sunsoft 22 Otro de los primeros ejemplos es la version arcade de Berzerk del mismo ano El primer juego electronico multijugador en usar la sintesis de voz fue Milton de Milton Bradley Company 23 la cual produjo el dispositivo en 1980 Tecnologias del sintetizador EditarLas cualidades mas importantes de los sistemas de sintesis de voz son la naturalidad y la inteligibilidad La naturalidad describe que tan cerca el audio de salida esta de la voz humana mientras que la inteligibilidad es el grado de entendimiento que tiene el audio El sintetizador de voz ideal es tanto natural como inteligible Los sistemas de sintesis de voz usualmente tratan de maximizar estas caracteristicas 24 Las dos tecnologias primarias que generan formas de ondas sinteticas de voz son la sintesis concatenativa y la sintesis de formantes Cada tecnologia tiene sus fortalezas y debilidades dependiendo de su uso se podra determinar que acercamiento sera usado 25 Sintesis concatenativa Editar La sintesis concatenativa esta basada en la concatenacion o union de segmentos de una voz grabada Generalmente la sintesis concatenativa produce el sonido mas natural de una voz sintetizada Sin embargo las diferencias entre las variaciones naturales en el habla y la naturaleza de las tecnicas automatizadas para segmentacion de formas de onda algunas veces resulta en glitches audibles en el audio de salida Existen tres sub tipos de sintesis concatenaitva Sintesis de seleccion de unidades Editar La sintesis de seleccion de unidades emplea bases de datos de voces grabadas Durante la creacion de la base de datos cada enunciado grabado es segmentado en fonos difonos medios fonos silabas morfemas palabras frases y oraciones Normalmente la division en segmentos es hecha con ayuda de un sistema de reconocimiento del habla modificado usando representaciones visuales como la forma de onda y un espectrograma 26 Un indice de las unidades de voz en la base de datos es creado basado en la segmentacion y en parametros acusticos como la frecuencia fundamental tono duracion posicion de la silaba y fonemas cercanos Durante el tiempo de ejecucion el enunciado deseado es creado determinando la mayor cadena posible de unidades seleccion de unidades Este proceso es llevado a cabo usando un arbol de decision La seleccion de unidades permite una naturalidad mayor debido a que emplea un menor procesamiento digital de senales DSP en el habla grabada El procesamiento digital de senales usualmente ocasiona que el sonido de la voz no sea tan natural aunque algunos sistemas emplean una pequena cantidad de procesamiento de la senal en el punto de la concatenacion para ajustar la forma de onda El audio de salida de la mejor seleccion de unidades usualmente es indistinguible de las voces humanas reales especialmente en contextos con sistemas TTS Sin embargo un mayor naturalidad requiere de bases de datos de seleccion de unidades muy grandes en algunos sistemas llegando a ser de gigabytes de datos grabados representando docenas de horas de voz 27 Tambien los algoritmos de seleccion de unidades son conocidos por seleccionar segmentos de un lugar menos ideal ej las palabras pequenas no son claras aun cuando una mejor opcion existe en la base de datos 28 Recientemente los investigadores han propuestos varios metodos automatizados para detectar segmentos no naturales en los sistemas de sintesis de seleccion de unidades 29 Sintesis de difonos Editar La sintesis de difonos usa una base de datos de voz minima que contiene todos los difonos transiciones entre sonidos que ocurren en el lenguaje El numero de difonos depende de la fonotactica del lenguaje por ejemplo en el idioma espanol existen alrededor de 800 difonos y en el aleman 2500 En la sintesis de difonos solo un ejemplo de cada difono es almacenado en la base de datos de voces En el tiempo de ejecucion la prosodia objetivos de una oracion es superpuesta en estas unidades minimas a traves de tecnicas de procesamiento digital de senal como la codificacion predictiva lineal PSOLA 30 o MBROLA 31 o tecnicas mas recientes como la codificacion del tono en el dominio de la fuente empleado la transformada de coseno discreta 32 La sintesis de difonos sufre de glitches sonidos de la sintesis concatenativa y el sonido de naturaleza robotica de la sintesis de formantes y tiene pocas ventajas sobre cualquier otro acercamiento mas que su tamano Su uso en aplicaciones comerciales ha disminuido aunque sigue siendo investigada debido su numero de aplicaciones en software gratuito Sintesis de dominio especifico Editar La sintesis de dominio especifico concatena palabras y frases pre grabadas para crear enunciados completos Es usada en aplicaciones donde la variedad de los textos del sistemas esta limitada a una salida de audio en un dominio particular como los anuncios en un calendario de transito o reportes del clima 33 La tecnologica es muy simple de implementar y ha sido empleada de manera comercial por varios anos en dispositivos como calculadoras o relojes parlantes El nivel de naturalidad de estos sistemas puede ser muy alto debido a que la variedad los tipos de oraciones esta limitada y logran estar muy cerca de la prosodia y entonacion de las grabaciones originales Debido a que estos sistemas estan limitados por las palabras y frases en sus bases de datos no son empleados para propositos generales y solo pueden sintetizar combinaciones de palabras y frases a los que han sido programados La adherencia de las palabras con la naturalidad del lenguaje puede causar problemas a menos que las variaciones sean tomada en cuenta Por ejemplo en los dialectos no roticos del ingles las palabras r como clear ˈklɪe usualmente son pronunciadas cuando la siguiente palabra tiene un vocal en su primera letra ej clear out se pronuncia como ˌklɪeɾˈʌʊt Como en el idioma frances varias de las ultimas consonantes no son silenciosas si son seguidas por una palabra que comience con una vocal el efecto es llamado Liaison Esta alternacion no puede ser reproducida por sistema simple de concatenacion el cual requiere una compleja gramatica sensible al contexto adicional Sintesis de formantes Editar La sintesis de formantes no utiliza muestras de voz humana durante el tiempo de ejecucion En su lugar el audio de salida es creado a partir de la sintesis aditiva y un modelo acustico sintesis mediante modelado fisico 34 Parametros como la frecuencia fundamental fonacion y niveles de ruido son variados a traves del tiempo para crear un forma de onda de una voz artificial Este metido alguna veces es llamado sintesis basa en reglas sin embargo existen sistemas de concatenacion que tambien tienen componentes basados en reglas Varios sistemas basados en la tecnologia de sintesis de formantes generan una voz artificial con sonido robotico que no podria ser confundida con la voz humana Sin embargo la naturalidad maxima no es el objetivo de los sistemas de sintesis de voz los sistemas de sintesis de formantes tienen ventajas sobre otros sistemas de concatenacion El habla a traves de la sintesis de formantes puede ser inteligible inclusive a grandes velocidades evitando glitches acusticos comunes en los sistemas de concatenacion El habla sintetizada a grandes velocidades es usada por personas con dificultades visuales para navegar de manera mas fluida en computadoras usando un lector de pantalla Los sintetizadores de formantes son programas pequenos en comparacion a los sistemas de concatenacion debido a que no tienen un base de datos de muestras de voz Pueden ser empleados en sistemas embebidos donde la memoria y el poder del microprocesador son limitados Debido a que los sistemas basados en formantes tienen completo control sobre todos los aspectos del audio de salida una amplia variedad de prosodias y entonaciones pueden ser generadas para transmitir no solo preguntas o declaraciones sino una variedad de emociones y entonaciones en la voz Algunos ejemplos de sintesis de formantes no en tiempo real pero con gran precision en el control de la entonacion se encuentran en trabajos de finales de los setenta por Texas Instruments con el juguete Speak amp Spell y a finales de los ochentas en arcades de la compania SEGA 35 y otros juegos de arcade de Atari 36 usando chips TMS5220 LPC de Texas Instrument Crear la entonacion apropiada era dificil y los resultados tenian que ser empatados en tiempo real con la interfaces texto voz 37 Sintesis articulatoria Editar La sintesis articulatoria se refiere a las tecnicas computacionales para sintesis del habla basadas en los modelos del tracto vocal humano y los procesos de articulacion que ocurren El primer sintetizador articulatorio frecuentemente usado en experimentos de laboratorio fue desarrollado en los laboratorios Haskins a mediados de los setenta por Philip Rubin Tom Baer y Paul Mermelstein Este sintetizador conocido como ASY estaba basado en modelos del tracto vocal desarrollado en los laboratorios Bell en los sesentas y setentas por Paul Mermelstein Cecil Coker y sus colegas Recientemente los modelos de sintesis articulatoria no habian sido incorporados en sistemas de sintesis de voz comerciales Una excepcion notable es el sistema basado en NeXT originalmente desarrollado y puesto a la venta por Trillium Sound Research una division de la compania de la Universidad de Calgary donde mucha de la investigacion fue llevada a cabo Siguiente a la desaparicion de NeXT iniciada por Steve Jobs a finales de la decada de los ochenta y fusionara con Apple Computer en 1997 el software Trillium fue publicado bajo GNU General Public License con su trabajo continuando como gnuspeech El sistema puesto a la venta en 1994 permite una conversion de texto habla basada en una completa articulacion usando una guia de ondas o una linea de transmision analoga de la voz humana y conductos nasales controlados por el modelo distintivo de region de Carre Sintesis basada en modelos HMM Editar La sintesis basada en HMM es un metodo de sintesis basado en modelos ocultos de Markov tambien llamada sintesis estadistica paramedica En este sistema el espectro de frecuencias tracto vocal la frecuencia fundamental fuente de la voz y la duracion prosodia del habla son modelados de manera simultanea por HMM Las formas de onda del habla son generada por los HMM basados en un criterio maxima verosimilitud 38 Sintesis de ondas sinusoidales Editar La sintesis de ondas sinusoidales es una tecnica para sintesis de voz a traves del reemplazo de formantes principales bandas de energia con tonos puros 39 Desafios EditarDesafios de la normalizacion de textos Editar El proceso de normalizacion de textos rara vez es directo Los textos estan llenos de heteronomias numeros y abreviaciones que requieren de un expansion en una representacion fonetica Hay muchas palabras en ingles que son pronunciadas de manera diferente basadas en su contexto Por ejemplo My latest project is to learn how to better project my voice en ingles la palabra project contiene dos pronunciaciones La mayoria de los sistemas de texto habla TTS no generan representaciones semanticas de los textos de entrada por lo que sus procesos pueden resultar erroneos con poco entendimiento y computacionalmente inefectivos Como resultado varias tecnicas heuristicas son usadas para predecir la manera apropiada de desambiguar homografias como examinar las palabras cercanas usando estadisticas acerca de la frecuencia de uso Recientemente los sistemas TTS han comenzado a usar HMM para generar etiquetados gramaticales para ayudar a desambiguar las homografias Esta tecnica es hasta cierto punto efectiva para varios casos sobre como read debe ser pronunciado como red dando a entender una conjugacion en pasado Las tasas de errores tipicos usando HMM de esta manera estan por debajo del cinco por ciento Estas tecnicas tambien funcionan para la mayoria de los lenguajes europeos aunque el entrenamiento en el corpus linguistico es frecuentemente dificil en estos lenguajes Decidir como convertir numeros es otro problema que los sistemas TTS enfrentan Es un desafio simple de programacion convertir un numero a palabras por lo menos en el idioma ingles como 1325 se convierte en mil trescientos veinticinco Sin embargo los numero ocurren en diferentes contextos 1325 puede leerse como uno tres dos cinco trece veinticinco o uno trescientos veinticinco Un sistema TTS usualmente puede inferir como expandir un numero basado en las palabras cercanos numero y la puntuacion algunas veces el sistema permite una manera de especificar el contexto si es ambiguo 40 Los numeros romanos pueden ser leidos de diferentes maneras dependiendo el contexto De manera similar las abreviaciones pueden resultar ambiguas Por ejemplo la abreviacion in de pulgas puede ser diferenciada por la palabra in en o en la direccion en ingles 12 St John St usa la misma abreviacion para street calle y saint San Los sistemas TTS con front ends inteligentes pueden realizar predicciones correctas acerca de la ambiguedad de las abreviaciones mientras que otros ofrecen el mismo resultado en todos los casos dando resultados sin sentido y a veces comicos como co operation interpretado como company operation Desafios de texto a fonemas Editar Los sistemas de sintesis de voz emplean dos acercamientos basicos para determinar la pronunciacion de una palabra basados en su escritura un proceso el cual es comunmente llamado texto fonema o conversion de grafema a fonema fonema es el termino usado en la linguistica para describir los sonidos distintivos en el lenguaje El acercamiento mas simple de la conversion texto fonema es a traves de diccionarios en donde un diccionario amplio que contiene todas las palabras de un lenguaje y su correcta pronunciacion almacenada por el programa Determinar la correcta pronunciacion de cada palabra es cuestion de verificar cada palabra en el diccionario y remplazarla por la pronunciacion especificado por el diccionario Otro acercamiento es a traves de las reglas en donde las reglas de pronunciacion son aplicadas a las palabras para determinar la correcta pronunciacion basandose en su escritura Cada acercamiento tiene sus ventajas y desventajas El acercamiento basado en un diccionario es rapido y preciso pero falla completamente cuando una palabra no se encuentra en este De manera que el diccionario crece tambien lo hace el tamano memoria que requiere la sintesis del sistema Por otra parte el acercamiento basado en reglas trabaja con cualquier tipo de texto de entrada pero la complejidad de las reglas crece de manera sustancial cuando el sistema detecta pronunciaciones o escrituras irregulares Considere la palabra en ingles of la cual es la unica en donde se pronuncia la f Como resultado casi todos los sistemas de sintesis de voz usan una combinacion de estos acercamientos Lenguajes con ortografia fonetica tienen un sistema de escritura regular y la prediccion de la pronunciacion de las palabras basada en su ortografia es exitosa Los sistemas de sintesis para lenguajes donde es comun el uso del metodo de reglas de manera extensiva recurriendo a diccionarios para algunas palabras como nombres extranjeros y prestamos linguisticos que sus traducciones no son obvias a partir de su escritura Por otra parte los sistemas de sintesis de voz para lenguajes como el idioma ingles el cual tiene sistemas de escritura extremadamente irregulares tienden a recurrir a diccionarios y usar metodos de reglas solo para palabras inusuales o que no estan en sus diccionarios Evaluacion de desafios Editar La consistente evaluacion de los sistemas de sintesis de voz puede resultar dificil debido a la falta de aceptacion un criterio de evaluacion universal Diferentes organizaciones usan comunmente diferentes datos de voz La calidad de los sistemas de sintesis de voz tambien depende del grado de calidad en la tecnica de produccion que puede involucrar grabaciones digitales u analogicas y su facilidad para reproducir la voz La evaluacion de los sistemas de sintesis de voz ha estado comprometida por las diferencias entre las tecnicas de produccion y reproduccion Desde 2005 sin embargo algunos investigadores han comenzado ha evaluar la sintesis de voz usando una hoja de datos de voz en comun 41 Prosodia y contenido emocional Editar Vease tambien Prosodia Un estudio en la revista Speech Communication por Amy Drahota y sus colegas en la Universidad de Portsmouth en Reino Unido reporta que las personas que escuchan las grabaciones de voz pueden determinar en diferentes niveles si el emisor estaba sonriendo o no 42 43 44 Se ha sugerido que la identificacion de las caracteristicas vocales que muestran un contenido emocional pueden ayudar a hacer el sonido de la sintesis de voz mas natural Una de las cuestiones relacionadas es el tono de las oraciones dependiendo de cuando es afirmativo interrogativo o una oracion de exclamacion Una de las tecnicas para la modificacion de tono 45 usa la transformada de coseno discreta en el dominio de la fuente residuo de prediccion lineal Tales tecnicas para la modificacion sincronizada de tono requieren una senalizacion previa de los tonos en la base de datos de la sintesis de voz usando tecnicas como la extraccion de epocas usando un indice de consonantes oclusivas aplicado a la prediccion lineal integrada residual de las regiones de voz 46 Hardware dedicado EditarPrimeras tecnologias no disponibles Icofono Votrax SC 01A SC 02 SSI 263 Artic 263 General Instrument SP0256 AL2 CTS256A AL2 National Semiconductor DT1050 Digitalker Mozer Forrest Mozer Silicon Systems SSI 263 Chips de voz Texas Instruments LPC TMS5110A TMS5200 MSP50C6XX Vendido a Sensory Inc en 2001 47 Actuales en 2013 Magnevation SpeakJet www speechchips com TTS256 Hobby and experimenter Epson S1V30120F01A100 www epson com IC DECTalk Based voice Robotic Ingles y espanol Textspeak TTS EM www textspeak com Mattel EditarLa consola de videojuegos Intellivision de Mattel la cual es una computadora que carece de teclado permitia un modulos de sintesis de voz llamado Intellivoice en 1982 Incluia el chip de sintesis de voz SP0256 Narrator en un cartucho El Narrator tenia 2KB de Read Only Memory ROM y era utilizado para guardar un base de datos de palabras genericas que podian ser combinadas para hacer frases en los juegos de Intellivision Desde que el chip Orator puede aceptar datos de una memoria externa cualquier palabra adicional o frase requerida puede ser almacenada dentro del cartucho Los datos consisten en cadenas de texto de coeficiente de filtros analogicos para modificar el comportamiento del modelo de tracto vocal del chip en lugar de muestras digitales SAM EditarTambien lanzado en 1982 Software Automatic Mouth fue el primer software sintetizador de voz comercial Posteriormente fue usado para la base del Macintalk El programa no se encontraba disponible para computadoras Macintosh Apple incluyendo Apple II y Lisa sino para modelos de Atari y Commodore 64 La version de Apple requeria de hardware adicional para la conversion digital analogico aunque era posible utilizar la salida de audio de la computadora con distorsion si la tarjeta no estaba presente El Atari hizo uso de un chip de audio POKEY La reproduccion de voz en el Atari normalmente deshabitaba las peticiones de interrupcion y apagaba el chip ANTIC durante la salida de audio La salida se encontraba sumamente distorsionada cuando la pantalla estaba prendida El Commodore 64 usaba el chip de audio SID Atari Editar El primer sistema de sintesis de voz integrado en un sistema operativo fue para las computadoras 1400XL 1450XL disenado por Atari usando el chip Votrax SC01 en 1983 Las computadoras 1400XL 1450XL usaban Finite State Machine para lleve a cabo la sintesis de voz en ingles 48 Sin embargo las computadoras 1400XL 1450XL eran raras Las computadoras Atari ST eran vendidas con el stspeech tos en un disquete Apple Editar El primer sintetizador de voz integrado en un sistema operativo fue el MacInTalk de Apple El software estaba licenciado por desarrolladores terceros como Joseph Katz y Mark Barton posteriormente SoftVoice Inc y la primera version fue presentada durante la introduccion de la computadora Macintosh en 1984 El demo presentado en enero el cual empleaba de sintesis de voz basada en el software SAM requeria de 512KB de memoria RAM Como resultado no podia correr en una memoria RAM de 128KB presente en las primeras Mac 49 El demo fue llevado a cabo con un prototipo de 512KB aunque esto no fue revelado a la audiencia lo que creo mayores expectativas para la Macintosh A principios de los noventa Apple expandio sus capacidades ofreciendo un sistema con un amplio soporte para la funcion texto habla con la introduccion de computadoras mas veloces basadas en PowerPC incluyo una mayor calidad de la voz reproducida Apple tambien introdujo el reconocimiento del habla en sus sistemas los cuales permitian un set de comandos fluidos Mas recientemente Apple ha incorporado muestras de voces Comenzando como una curiosidad el sistema de voz Macintosh de Apple ha evolucionado a un programa completo PlainTalk para personas con problemas relacionados con la vista VoiceOver fue introducido en Mac OS X Tiger 10 4 Durante 10 4 Tiger y los primeros lanzamientos de 10 5 Leopard solo existia una voz en las Mac OS X Desde 10 6 Snow Leopard el usuario puede escoger entre un amplio rango de multiples voces VoiceOver posee caracteristicas como sonidos de inhalacion entre oracion asi como claridad en velocidades mayores en comparacion al PlainTalk Mac OS X tambien incluye el software say una aplicacion de linea de comandos que convierte el texto en voz Las adiciones estandar de AppleScript incluyen el software say que permite que un script utilice las voces instaladas y controle el tono la velocidad y modulacion del texto hablado El sistema operativo iOS de Apple usado en el iPhone iPad y iPod Touch usa la sintesis de voz de VoiceOver para accesibilidad 50 Algunas aplicaciones tambien emplean sintesis de voz para facilitar la navegacion leer paginas web o traducir texto AmigaOS Editar El segundo sistema operativo en incluir un capacidades avanzadas de sintesis de voz fue AmigaOS introducido en 1985 La sintesis de voz fue licenciada por Commodore International desde SoftVoice Inc quien tambien desarrollo el sistema texto voz MacinTalk Incluia un sistema completo de emulacion de voz americana para el idioma ingles con voces femeninas y masculinas y marcadores de estres fue posible a traves del chipset de Amiga 51 El sistema de sintesis fue dividido en un dispositivo de narracion el cual era responsable de modular y concatenar fonemas y una libreria de traduccion la cual traduccion el texto en ingles a fonemas a traves de un conjunto de reglas AmigaOS tambien incluia procesador de habla de alto nivel que permitia a los usuario reproducir texto a traves de lineas de comandos La sintesis de voz ocasionalmente era usada por programas de terceros particularmente procesadores de texto y software educativo El software de sintesis se mantuvo intacto desde el primer lanzamiento de AmigaOS y Commodore eventualmente removeria la sintesis de voz a partir de AmigaOS 2 1 Pese a la limitacion de los fonemas de ingles americano una version no oficial con sintesis de voz de varios idiomas fue desarrollada Esto hacia uso de una version extendida de la libraria del traductor la cual podia traducir a un numero de lenguajes a partir de las reglas de cada lenguaje 52 Microsoft Windows Editar Vease tambien Microsoft Agent Sistemas modernos de escritorio de Windows pueden implementar componentes SAPI 1 4 y SAPI 5 para apoyar la sintesis de voz y el reconocimiento del habla SAPI 4 0 estuvo disponible como una opcion adicional para Windows 95 y Windows 98 Windows 2000 agrego el Microsoft Narrator una utilidad para texto voz para las personas que tuvieran alguna discapacidad visual Programas de terceros como CoolSpeech Textaloud y Ultra Hal pueden realizar varias tareas de texto voz como leer texto desde un sitio web especifico correo electronico documento de texto texto introducido por el usuario etc No todos los programas pueden usar la sintesis de voz de manera directa 53 Algunos programas pueden emplear extensiones para leer texto Microsoft Speech Server es un paquete de voces para sintesis y reconocimiento basado en un servidor Esta disenado para su uso en red con aplicaciones web y centros de llamadas Text to Speech TTS se refiere a la habilidad de las computadoras para leer texto Un Motor TTS convierte el texto escrito en una representacion fonetica posteriormente convierte la representacion en ondas de sonido que pueden ser escuchadas Motores TTS con diferentes lenguajes dialectos y vocabularios especializados estan disponibles a traves de terceros 54 Android Editar La version 1 6 de Android agrego soporte para los sintetizadores de voz TTS 55 Internet Editar En la actualidad existen un numero de aplicaciones plug ins y gadgets que pueden leer mensajes directamente desde un cliente de correo electronico y paginas web desde un navegador web o Google Toolbar como Text to Voice que es un complemento de Firefox Algunos software especializados pueden narrar RSS Por otra parte los narradores RRS simplifican la informacion enviada permitiendo a los usuarios escuchar sus fuentes de noticias favoritas y convertirlas en podcasts Existen lectores RSS en casi cualquier PC conectada a internet Los usuarios pueden descargar archivos de audio generados a dispositivos portatiles ej con la ayuda de un receptor de podcast y escucharlos mientras caminas corres etc Un creciente campo en el internet basada en TTS son las tecnologias de apoyo como Browsealoud de una compania de Reino Unido y Readspeaker Permiten la funcionalidad TTS a cualquiera por cuestiones de accesibilidad convencia entretenimiento o informacion con acceso a un navegador de internet El proyecto Pediaphon fue creado en 2006 para permiter una navegacion web similar a la basada en interface TTS en Wikipedia 56 Otros trabajos estan en desarrollo en el contexto de W3C a traves de W3C Audio Incubator Group con el apoyo de BBC y Google Inc Otros Editar Seguido del fracaso comercial del hardware Intellivoice los desarrolladores de videojuegos emplearon el software de sintesis de voz con moderacion para futuros juegos Un famoso ejemplo es la narracion introductoria del videojuego Super Metroid de Nintendo para el Super Nintendo Entertainment System Otros de los primeros sistemas en utilizar la sintesis de software en videojuegos son Atari 5200 Baseball y Atari 2600 Quadrun y Open Sesame Algunos lectores de e books como Amazon Kindle Samsung E6 PocketBook eReader Pro enTourage eDGe y Bebook Neo El BBC Micro incorporo el chip de sintesis de voz TMS5220 de Texas Instruments Algunos modelos de computadoras Texas Instruments producidas en 1979 y 1981 Texas Instruments TI 99 4 y TI 99 4A eran capaces de la sintesis de texto fonema o recitar palabras completas y frases texto diccionario usando el popular periferico Speech Synthesizer TI uso un codec propio para completar las frases generadas en aplicaciones principalmente juegos 57 OS 2 Warp 4 de IBM incluia el VoiceType un precursor del IBM ViaVoice Sistemas que operan con software gratuito y open source incluyendo Linux son variados e incluyen programas open source como Festival Speech Synthesis System el cual usa la sintesis basada en difonos puede usar un numero limitado de voces MBROLA y gnuspeech el cual emplea la sintesis articulatoria 58 de Free Software Foundation Las unidades GPS producidas por Garmin Magellan TomTom y otros emplean la sintesis de voz para la navegacion de automoviles Yamaha produjo un sintetizador en 1999 el Yamaha FS1R el cual incluia capacidades de sintesis de formantes Secuencias hasta de 512 formantes de vocales individuales y consonantes podia ser almacenadas y reproducidas permitiendo frases cortas sintetizadas Lenguajes de marcado de sintesis de voz EditarUn numero de lenguajes de marcado han sido establecidos para la interpretacion de texto como voz en un formato de compilacion XML El mas reciente es el Speech Synthesis Markup Language SSML el cual se convirtio en una recomendacion W3C en 2004 Sistemas de lenguaje de marcado de sintesis de voz antiguos incluyen el Java Speech Markup Language JSML y SABLE Aunque cada uno de estos fue propuesto como un estandar ninguno de ellos ha sido adoptado ampliamente Los lenguajes de marcado de sintesis de voz son distinguidos de los lenguajes de marcado de dialogo VoiceXML por ejemplo incluye tags relacionados al reconociendo de voz manejo de dialogo y marcado ademas de marcado de sintesis de voz Aplicaciones EditarLa sintesis de voz ha sido una de las herramientas vitales de tecnologias de apoyo y su aplicacion en esta area es significante y de gran uso Permite que las barreras ambientales sean removidas para personas con diferentes discapacidades La aplicacion con mayor uso han sido los lectores de pantalla para personas con discapacidades visuales pero los sistemas de texto voz ahora son comunmente usados por personas con dislexia y otras dificultades para la lectura asi como para los ninos Tambien son frecuentemente empleados para ayudar a aquellos con discapacidades comunicativas usualmente a traves de una voz de ayuda Las tecnicas de sintesis de voz son usadas en productos de entretenimiento como juegos o animaciones En 2007 Animo Limited anuncio el desarrollo de una aplicacion de software basada en la sintesis de voz de FineSpeech explicitamente enfocada a consumidores en la industria del entretenimiento permitiendo generar narraciones y lineas de diablo desacuerdo a las especificaciones del usuario 59 La aplicacion maduro en 2008 cuando NEC Biglobe anuncio un servicio web que permitia a los usuarios crear frases apartar de voces de los personajes de Code Geass Lelouch of the Rebellion R2 60 El texto voz ha encontrado nuevas aplicaciones fuera del mercado de la ayuda a los discapacitados Por ejemplo la sintesis de voz combinada con el reconocimiento de voz permite la interaccion con dispositivos moviles a traves de interfaces de procesamiento de lenguajes naturales Tambien ha sido usado como un segundo lenguaje de adquisicion Voki por ejemplo es una herramienta educativa creada por Oddcast que permite a los usuarios seleccionar su propio avatar usando diferentes acentos Pueden ser enviados a traves de mail o ser colocados en sitios web o redes sociales API EditarMultiples companias ofrecen APIs TTS a los consumidores para acelerar el desarrollo de nuevas aplicaciones usando la tecnologia TTS Las companias que ofrecen API TTS incluyen a AT amp T IVONA Neospeech Readspeaker y YAKiToMe Para el desarrollo de aplicacion para moviles el sistema operativo Android ha ofrecido una API TTS por un largo tiempo De manera reciente con iOS7 Apple ha comenzado a ofrecer de igual manera una API TTS Vease tambien EditarWikiproyecto Wikipedia grabada Conversor texto voz Lector de pantalla LibriVox Linguistica computacional Podcast Procesamiento de lenguaje natural Prosodia Qwiki Reconocimiento de voz Sintesis sonido Sintetizador del habla Transcriptor fonetico Loquendo VOCALOID cantador Microsoft Speech API en ingles Programas de reconocimiento de voz en ingles Sintesis de habla en la television digital en ingles Speech Synthesis Markup Language en ingles UTAU ChipspeechReferencias Editar Allen Jonathan Hunnicutt M Sharon Klatt Dennis 1987 From Text to Speech The MITalk system Cambridge University Press ISBN 0 521 30641 8 Rubin P Baer T Mermelstein P 1981 An articulatory synthesizer for perceptual research Journal of the Acoustical Society of America 70 2 321 328 doi 10 1121 1 386780 van Santen Jan P H Sproat Richard W Olive Joseph P Hirschberg Julia 1997 Progress in Speech Synthesis Springer ISBN 0 387 94701 9 Van Santen J 16 de abril de 1994 Assignment of segmental duration in text to speech synthesis Computer Speech amp Language 8 2 95 128 doi 10 1006 csla 1994 1005 History and Development of Speech Synthesis Helsinki University of Technology Retrieved on November 4 2006 Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine Mechanism of the human speech with description of its speaking machine J B Degen Wien en aleman Mattingly Ignatius G 1974 Speech synthesis for phonetic and phonological models En Sebeok Thomas A ed Current Trends in Linguistics Mouton The Hague 12 2451 2487 Archivado desde el original el 12 de mayo de 2013 Consultado el 1 de julio de 2015 Lawrence J 2007 2 Speech Science Primer Physiology Acoustics and Perception of Speech en ingles p 24 The Pattern Playback en ingles Consultado el 3 de julio de 2015 Klatt Dennis 16 de abril de 1987 How Klattalk became DECtalk An Academic s Experiences in the Business World The official proceedings of Speech Tech 87 New York Media Dimensions Inc Penn State 293 294 obra y periodico redundantes ayuda Sproat Richard W 1997 Multilingual Text to Speech Synthesis The Bell Labs Approach Springer ISBN 0 7923 8027 4 Raymond Kurzweil Raymond Kurzweil Kurzweil Raymond 2005 The Singularity is Near Penguin Books ISBN 0 14 303788 9 Klatt D 1987 Review of Text to Speech Conversion for English Journal of the Acoustical Society of America 82 3 737 93 Lambert Bruce 21 de marzo de 1992 Louis Gerstman 61 a Specialist In Speech Disorders and Processes New York Times Arthur C Clarke Biography Archivado desde el original el 11 de diciembre de 1997 Consultado el 11 de diciembre de 1997 Where HAL First Spoke Bell Labs Speech Synthesis website Bell Labs Archivado desde el original el 29 de abril de 2011 Consultado el 17 de febrero de 2010 Anthropomorphic Talking Robot Waseda Talker Series TSI Speech amp other speaking calculators Gevaryahu Jonathan TSI S14001A Speech Synthesizer LSI Integrated Circuit Guide Uso incorrecto de la plantilla enlace roto enlace roto disponible en Internet Archive vease el historial la primera version y la ultima Breslow et al United States Patent 4326710 Talking electronic game April 27 1982 Voice Chess Challenger Gaming s Most Important Evolutions GamesRadar Far out phonemes Popular Mechanics Tech Front Lines Jun 1981 Gahlawata M Malika A Bansalb P Natural Speech Synthesizer for Blind Persons Using Hybrid Approach Procedia Computer Science 2014 p 86 Schroder M Emotional Speech Synthesis A Review University of the Saarland 2001 p 1 Alan W Black Perfect synthesis for all of the people all of the time IEEE TTS Workshop 2002 John Kominek and Alan W Black 2003 CMU ARCTIC databases for speech synthesis CMU LTI 03 177 Language Technologies Institute School of Computer Science Carnegie Mellon University Julia Zhang Language Generation and Speech Synthesis in Dialogues for Language Learning masters thesis Section 5 6 on page 54 William Yang Wang and Kallirroi Georgila 2011 Automatic Detection of Unnatural Word Level Segments in Unit Selection Speech Synthesis IEEE ASRU 2011 Pitch Synchronous Overlap and Add PSOLA Synthesis Archivado desde el original el 22 de febrero de 2007 Consultado el 28 de mayo de 2008 T Dutoit V Pagel N Pierret F Bataille O van der Vrecken The MBROLA Project Towards a set of high quality speech synthesizers of use for non commercial purposes ICSLP Proceedings 1996 R Muralishankar A G Ramakrishnan and P Prathibha Modification of Pitch using DCT in the Source Domain Speech Communication 2004 Vol 42 2 pp 143 154 L F Lamel J L Gauvain B Prouts C Bouhier R Boesch Generation and Synthesis of Broadcast Messages Proceedings ESCA NATO Workshop and Applications of Speech Technology September 1993 Dartmouth College Music and Computers 1993 como Astro Blaster Space Fury y Star Trek Strategic Operations Simulator como Star Wars Firefox Return of the Jedi Road Runner The Empire Strikes Back Indiana Jones and the Temple of Doom 720 Gauntlet Gauntlet II A P B Paperboy RoadBlasters Vindicators Part II Escape from the Planet of the Robot Monsters John Holmes and Wendy Holmes 2001 Speech Synthesis and Recognition 2ª edicion CRC ISBN 0 7484 0856 8 The HMM based Speech Synthesis System Hts sp nitech ac j Consultado el 22 de febrero de 2012 Remez R Rubin P Pisoni D Carrell T 22 de mayo de 1981 Speech perception without traditional speech cues Science 212 4497 947 949 PMID 7233191 doi 10 1126 science 7233191 Speech synthesis World Wide Web Organization Blizzard Challenge Festvox org Consultado el 22 de febrero de 2012 Smile and the world can hear you University of Portsmouth 9 de enero de 2008 Archivado desde el original el 17 de mayo de 2008 Smile And The World Can Hear You Even If You Hide Science Daily 16 de enero de 2008 Drahota A 2008 The vocal communication of different kinds of smile Speech Communication 50 4 278 287 doi 10 1016 j specom 2007 10 001 Archivado desde el original el 3 de julio de 2013 Muralishankar R Ramakrishnan A G Prathibha P 16 de febrero de 2004 Modification of pitch using DCT in the source domain Speech Communication 42 2 143 154 doi 10 1016 j specom 2003 05 001 Consultado el 7 de diciembre de 2014 Prathosh A P Ramakrishnan A G Ananthapadmanabha T V 16 de diciembre de 2013 Epoch extraction based on integrated linear prediction residual using plosion index IEEE Trans Audio Speech Language Processing 21 12 2471 2480 doi 10 1109 TASL 2013 2273717 Consultado el 19 de diciembre de 2014 EE Times TI will exit dedicated speech synthesis chips transfer products to Sensory Archivado el 17 de febrero de 2012 en WebCite June 14 2001 1400XL 1450XL Speech Handler External Reference Specification PDF Consultado el 22 de febrero de 2012 It Sure Is Great To Get Out Of That Bag folklore org Consultado el 24 de marzo de 2013 iPhone Configuring accessibility features Including VoiceOver and Zoom Apple Consultado el 29 de enero de 2011 Miner Jay et al 1991 Amiga Hardware Reference Manual 3ª edicion Addison Wesley Publishing Company Inc ISBN 0 201 56776 8 Devitt Francesco 30 de junio de 1995 Translator Library Multilingual speech version Archivado desde el original el 26 de febrero de 2012 Consultado el 9 de abril de 2013 Accessibility Tutorials for Windows XP Using Narrator Microsoft 29 de enero de 2011 Consultado el 29 de enero de 2011 How to configure and use Text to Speech in Windows XP and in Windows Vista Microsoft 7 de mayo de 2007 Consultado el 17 de febrero de 2010 Jean Michel Trivi 23 de septiembre de 2009 An introduction to Text To Speech in Android Android developers blogspot com Consultado el 17 de febrero de 2010 Andreas Bischoff The Pediaphon Speech Interface to the free Wikipedia Encyclopedia for Mobile Phones PDA s and MP3 Players Proceedings of the 18th International Conference on Database and Expert Systems Applications Pages 575 579 ISBN 0 7695 2932 1 2007 Smithsonian Speech Synthesis History Project SSSHP 1986 2002 Mindspring com Archivado desde el original el 3 de octubre de 2013 Consultado el 17 de febrero de 2010 gnuspeech Gnu org Consultado el 17 de febrero de 2010 Speech Synthesis Software for Anime Announced Anime News Network 2 de mayo de 2007 Consultado el 17 de febrero de 2010 Code Geass Speech Synthesizer Service Offered in Japan Animenewsnetwork com 9 de septiembre de 2008 Consultado el 17 de febrero de 2010 Datos Q16346 Multimedia Speech synthesisObtenido de https es wikipedia org w index php title Sintesis de habla amp oldid 138150349, wikipedia, wiki, leyendo, leer, libro, biblioteca,

español

, española, descargar, gratis, descargar gratis, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, imagen, música, canción, película, libro, juego, juegos