Teks-ke-suara (TTS) adalah teknologi yang mengubah teks di antarmuka digital menjadi ucapan yang terdengar alami. Ia juga disebut teknologi “baca lantang”, suara buatan komputer, atau sintesis ucapan. Kebanyakan perusahaan menawarkan TTS sebagai antarmuka pemrograman aplikasi (API).
Sistem teks-ke-suara awalnya dikembangkan sebagai teknologi bantu agar layanan lebih mudah diakses oleh pengguna dengan gangguan penglihatan dan kesulitan belajar seperti disleksia. Kini, pembuat suara bertenaga AI mampu menirukan ucapan manusia dengan lebih baik dan membuka penggunaan baru: panggilan layanan pelanggan, podcast buatan AI, sulih suara, dan narasi buku audio.
Evolusi teknologi teks-ke-suara
Sintesis ucapan elektrik pertama muncul sekitar tahun 1930-an; terbatas dan rumit dioperasikan.
Dengan hadirnya komputer, pada akhir 1950-an pemrogram mulai mengembangkan algoritma yang mengakses basis data besar berkas audio sebagai sumber bunyi. Algoritma itu mencari kecocokan fonetik untuk unit teks dan merangkai unsur ucapan. Awalnya terdengar seperti robot, tetapi seiring pemodelan bahasa membaik, algoritma pun membaik.
Ketika pembelajaran mendalam dan jaringan saraf muncul pada 2000-an, gelombang suara mulai dimodelkan langsung dari rekaman ucapan, menghasilkan suara berkualitas tinggi yang lebih realistis. Pada saat yang sama, pengenalan suara dan pemrosesan bahasa alami berkembang, dan AI percakapan bertumpu pada penggabungan suara-ke-teks dengan teks-ke-suara.
Meski AI dan pembelajaran mesin mempermudah pembuatan ucapan alami, keduanya juga memunculkan kontroversi baru, seperti deepfake. Perusahaan teknologi sedang mengembangkan sistem analisis audio waktu nyata untuk mendeteksi deepfake audio.
Bagaimana teks-ke-suara bekerja?
Teknik pembelajaran mendalam memungkinkan model sintesis menganalisis lebih banyak data dan lebih memahami hubungan antara kata dan ciri akustiknya, sehingga suara terdengar lebih alami. Konversinya adalah proses bertahap dengan dua komponen utama: analisis linguistik dan sintesis ucapan.
Analisis linguistik
Jaringan saraf dalam pada model dilatih dengan kumpulan data audio beserta transkripnya, terutama dalam bahasa Inggris dan kadang bahasa lain, untuk memahami bagaimana kata sesuai dengan ucapan, juga aksen, tinggi suara, volume, intonasi, dan ritme. Saat menerima teks, model menganalisis kata, tanda baca, dan struktur kalimat. Model bisa mengembangkan singkatan, menghitung durasi kata, menentukan pengucapan yang tepat, dan memetakan intonasi serta ritme.
Pembuatan ucapan
Setelah menganalisis teks, model mengubahnya menjadi audio dalam dua langkah:
- Langkah 1: teks diubah menjadi fitur yang selaras waktu, seperti spektrogram yang menggambarkan perubahan frekuensi seiring waktu, menangkap detail ucapan, pengucapan sesuai konteks, penekanan, dan waktu kata.
- Langkah 2: vocoder mengubah fitur itu menjadi gelombang suara, yang diubah komputer menjadi ucapan alami. Beberapa model memungkinkan pengaturan volume, nada, dan kecepatan, serta pilihan bahasa, aksen, dan gaya bicara.
Banyak perangkat, seperti ponsel pintar, memiliki sistem teks-ke-suara bawaan. Teknologi ini juga tersedia sebagai perangkat lunak, ekstensi peramban, alat web, atau aplikasi unduhan.
Penggunaan teks-ke-suara
Awalnya dibuat untuk meningkatkan aksesibilitas, agar penyandang gangguan penglihatan atau kesulitan membaca dapat berinteraksi dengan teks lewat komputer dan perangkat lain; Stephen Hawking, misalnya, memakai salah satu versinya. Kini terutama dipakai ketika membaca manual tidak praktis atau menghemat waktu operator manusia:
- Konten audio: membacakan teks, buku, pelajaran, panduan, dan petunjuk untuk e-learning dan pelatihan daring; media berita dapat mengubah artikel menjadi audio.
- Pendidikan: membantu siswa fokus dan mengikuti teks, mengaitkan kata dengan pengucapannya, meningkatkan pemahaman bacaan, dan memeriksa tulisan sendiri dengan didengarkan; juga mendukung siswa dengan gangguan penglihatan atau disleksia.
- Chatbot dan asisten virtual: Siri atau Cortana memadukan teks-ke-suara dan suara-ke-teks untuk memahami permintaan dan berbicara secara alami, mengumumkan notifikasi, dan membacakan pesan saat berkendara; dalam layanan pelanggan, interaksi terasa lebih alami.
- Navigasi: GPS memberi arahan waktu nyata; dulu memakai suara rekaman dan perintah umum, kini bisa menyebut nama jalan yang tepat.
- Komunikasi multibahasa dan belajar bahasa: aplikasi seperti Google Translate menerjemahkan audio antarbahasa, berguna untuk men-dubbing video, dan membantu pembelajar mendengar pengucapan alami.
- Media dan hiburan: menekan biaya dengan komentar dan narasi gim serta suara karakter; beberapa studio bekerja sama dengan pengisi suara untuk menyempurnakan suara AI.
- Kesehatan: organisasi kesehatan menyediakan versi audio konten mereka dan memakai antarmuka suara untuk mengingatkan janji temu dan menyampaikan kabar terbaru, penting bagi pasien dengan gangguan penglihatan, gangguan bicara, mobilitas terbatas, atau kesulitan belajar.
Sekarang setelah Anda memahami dasar-dasar dunia yang menarik ini, saatnya mempraktikkannya.
Siap mengubah kata-kata Anda menjadi suara yang memikat?
Moknah hari ini
Moknah mengubah teks menjadi ucapan alami dalam lebih dari 130 bahasa, dengan sekitar 600 suara pada dua mesin: Standard, dengan emosi dan dialek, dan Advanced, yang Anda arahkan dengan mendeskripsikan penyampaian lewat kata-kata. Untuk bahasa Arab ada tiga pemroses teks: Basic, Tashkeel, dan AI Poet. Anda bisa mencoba teknologi ini di Moknah: Text to Speech dalam lebih dari 130 bahasa, Dubbing, dan Voice Cloning.
Mulailah perjalanan Anda ke dunia konten audio hari ini.
Coba Moknah gratis tanpa kartu: tulis teks, pilih suara, dan dengarkan hasilnya dalam hitungan detik. Lihat paket di halaman harga.
Sumber: IBM.COM
Siap memberi suara pada teks Anda? Lihat paket Moknah