Text-to-Speech (TTS)

Definition

Text-to-Speech (TTS) ist die Technologie, die geschriebenen Text mithilfe von KI-Modellen in gesprochene Sprachausgabe umwandelt.

Zweck

Der Zweck besteht darin, eine natürliche Sprachausgabe für Barrierefreiheit, virtuelle Assistenten und Medienanwendungen bereitzustellen.

Bedeutung

• Entscheidend für die Zugänglichkeit für sehbehinderte Benutzer.
• Weit verbreitet in digitalen Assistenten und IVR-Systemen.
• Es besteht das Risiko, dass synthetische Stimmen für Betrugszwecke verwendet werden.
• Qualität hängt von Prosodie und Natürlichkeit ab.

Funktionsweise

1. Der Eingabetext wird verarbeitet und normalisiert.
2. Text wird in Phoneme umgewandelt.
3. Akustische Modelle generieren Sprachmerkmale.
4. Vocoder synthetisieren Wellenformen.
5. Die Audioausgabe wird an die Benutzer übermittelt.

Beispiele (Reale Welt)

• Google Cloud TTS: generiert natürliche Stimmen für Apps.
• Amazon Polly: Text-to-Speech-Dienst.
• Apple Siri: Sprachausgabe aus Text.

Referenzen / Weiterführende Literatur

• Tacotron 2: Natürliches TTS mit neuronalen Netzwerken – Google Research.
• ISO/IEC 15938-4: Beschreibung multimedialer Inhalte.
• IEEE Signal Processing Magazine: TTS-Systeme.
• Maßgeschneiderte TTS-Lösungen für Ihre individuellen Anforderungen