تبدیل متن به گفتار: از خطوط ساکن تا امواج صوتی پویا
چگونه یک رایانه کلمات را میخواند؟ مراحل تبدیل نوشتار به گفتار
فرایند تبدیل متن به گفتار (TTS) از سه مرحلهٔ اصلی تشکیل شده است. نخست، تجزیه و تحلیل زبانی (Linguistic Analysis) که در آن متن ورودی به جملات و کلمات مجزا تقسیم میشود. برای مثال، جملهٔ «عدد 123 را بخوان» باید به صورت «صد و بیست و سه» تلفظ شود، نه ارقام جداگانه. مرحله دوم، تبدیل آواشناختی (Phonetic Conversion) است که هر کلمه به توالی از واحدهای آوایی به نام «واج» (Phone) تبدیل میشود. واجها کوچکترین واحدهای صوتی هستند که تمایز معنایی ایجاد میکنند؛ مانند تفاوت بین «پ» و «ب» در فارسی.
مرحلهٔ سوم و حیاتی، تولید گفتار (Speech Generation) است که دو رویکرد اصلی دارد: روش همگامسازی (Concatenative Synthesis) و روش مبتنی بر پارامتر (Parametric Synthesis). در روش همگامسازی، قطعات از پیش ضبطشدهٔ گفتار یک گویندهٔ واقعی در پایگاه داده ذخیره میشوند و سیستم قطعات مناسب را کنار هم میچیند. در روش پارامتری، کامپیوتر با استفاده از مدلهای ریاضی، شکل موج صدا را میسازد. جدول زیر تفاوتهای کلیدی این دو روش را نشان میدهد:
| ویژگی | روش همگامسازی (Concatenative) | روش پارامتری (Parametric) |
|---|---|---|
| طبیعی بودن صدا | بسیار بالا (شبیه به انسان) | متوسط (گاهی فلزی یا مصنوعی) |
| نیاز به حافظه | زیاد (چند گیگابایت) | کم (چند مگابایت) |
| قابلیت تغییر صدا و لحن | محدود (فقط صداهای ضبطشده) | بسیار بالا (کنترل پارامترها) |
| مثال شناخته شده | سیستمهای اولیهٔ گویا (مانند دیکشنریهای گویا) | صدای «سامانتا» در سیستمعاملهای قدیمی |
نقش شبکههای عصبی در خلق گفتاری طبیعیتر
از سال 2016 به بعد، روشهای مبتنی بر یادگیری عمیق (Deep Learning) انقلابی در TTS ایجاد کردهاند. مدلهایی مانند «تاکترون» (Tacotron) و «ویو ام» (WaveNet) از شبکههای عصبی بازگشتی (RNN) و کانولوشنی (CNN) برای یادگیری نگاشت مستقیم از متن به شکل موج صدا استفاده میکنند. این مدلها با دیدن هزاران ساعت گفتار ضبطشده توسط انسان، ویژگیهای ظریف مانند مکثهای طبیعی، تغییر زیروبمی (Pitch) و بلندی صدا (Volume) را بازتولید میکنند.
یک فرمول ساده برای درک رابطهٔ فرکانس پایه (زیروبمی) و احساس گفتار:
در این رابطه، $F_0(t)$ فرکانس پایه در لحظهٔ t، $F_{0,base}$ فرکانس پایهٔ خنثی، A دامنهٔ تغییرات (مربوط به هیجان یا تأکید) و $f_{mod}$ فرکانس مدولاسیون (نوسان آهنگین) گفتار است. هرچه A بزرگتر باشد، گفتار پرشورتر و هرچه کوچکتر باشد، گفتار خنثیتر یا افسردهتر به نظر میرسد.
کاربردهای عملی: از کتابهای گویا تا دستیارهای صوتی
امروزه فناوری TTS در بسیاری از ابزارهای روزمره به کار رفته است. برای دانشآموزان نابینا و کمبینا، صفحهخوانهای (Screen readers) مبتنی بر TTS امکان دسترسی به محتوای دیجیتال را فراهم میکنند. همچنین در برنامههای آموزش زبان، تلفظ صحیح کلمات توسط TTS به فراگیران کمک میکند. تصور کنید در حال مطالعهٔ یک مقالهٔ طولانی در اتوبوس هستید و چشمانتان خسته شده است؛ با فعال کردن TTS، مقاله برای شما خوانده میشود.
مثال علمی: فرض کنید کتابی با 50000 کلمه دارید. یک سیستم TTS با سرعت متوسط 150 کلمه در دقیقه (wpm) میتواند کل کتاب را در حدود:
چالشهای مفهومی در طراحی سیستمهای تبدیل متن به گفتار
۱. چگونه یک سیستم TTS کلمات همنویس اما با تلفظ متفاوت (همآوا) را تشخیص میدهد؟
پاسخ: با استفاده از تحلیل نقشی (Part-of-Speech tagging) و مدلهای احتمالاتی. مثلاً کلمهٔ «سَر» در جملهٔ «من سر کتاب نوشتم» (به معنی ابتدا) با «سِر» در جملهٔ «درد سر دارم» (به معنی مغز) متفاوت تلفظ میشود. سیستم با بررسی بافت کلمات اطراف، نقش دستوری و معنی را حدس میزند.
۲. چرا صدای سیستمهای TTS قدیمی «رباتیک» به نظر میرسید، اما نمونههای امروزی بسیار طبیعیترند؟
پاسخ: سیستمهای قدیمی اغلب از روش فرمت سنتز (Formant Synthesis) استفاده میکردند که شکل گفتار را با چند پارامتر محدود (فرکانس سه فرمت اول) مدل میکند. سیستمهای جدید مبتنی بر شبکههای عصبی مانند WaveNet، شکل موج صدا را نمونه به نمونه (Sample by sample) با دقت 16000 تا 24000 نمونه در ثانیه پیشبینی میکنند که جزئیات بسیار بیشتری از صدای انسان را بازسازی میکند.
۳. آیا یک سیستم TTS میتواند احساساتی مانند خشم، شادی یا غم را در گفتار شبیهسازی کند؟
پاسخ: بله، با استفاده از برچسبگذاری عاطفی (Emotional labeling) در دادههای آموزشی و افزودن پارامترهای کنترلی به مدل. به عنوان مثال، برای خشم، فرکانس پایه ($F_0$) افزایش یافته، دامنه (بلندی صدا) بیشتر و سرعت گفتار تندتر میشود. برای غم، $F_0$ کاهش یافته، سرعت کندتر و زیروبمی یکنواختتر میشود.
پاورقیها
۱. Text-to-Speech (TTS): فناوریای که متن دیجیتال را به گفتار مصنوعی تبدیل میکند.
۲. واج (Phone): کوچکترین واحد صوتی گفتار که در فرهنگ آواشناسی به کار میرود، مانند /b/ یا /p/.
۳. همگامسازی (Concatenative Synthesis): روشی که در آن قطعات گفتار واقعی از پایگاه داده کنار هم چیده میشوند.
۴. پارامتری (Parametric Synthesis): روشی که گفتار را با استفاده از مدلهای ریاضی و پارامترهایی مانند فرکانس و دامنه میسازد.
۵. زیروبمی (Pitch): فرکانک پایهٔ صوت که حس آهنگین بودن یا زیر و بم بودن صدا را مشخص میکند.
۶. فرمت سنتز (Formant Synthesis): روش قدیمیتر سنتز گفتار که بر روی نواحی تشدید (فرمتها) تمرکز دارد.
۷. تاکتُرون (Tacotron) و ویو نت (WaveNet): نام دو مدل معروف شبکه عصبی عمیق برای تولید گفتار (منابع انگلیسی).