वाक् संश्लेषण
पाठ को स्वाभाविक आवाज़ में पढ़कर सुनाना
यह पृष्ठ अंग्रेज़ी में प्रस्तुत है; शीर्षक और सारांश का स्थानीयकरण किया गया है।
यह क्षमता क्या है
Takes text and outputs audio that reads it aloud. It must handle both pronunciation — saying the right words — and prosody — where to pause and what to stress — while carrying a target speaker timbre. It runs opposite to speech recognition, and unlike voice cloning it does not need to imitate a specific person from a few samples but usually picks from preset voices.
तकनीकी रूप से कैसे
Modern systems are mostly two-stage: an acoustic model predicts an intermediate representation such as a mel spectrogram from text, then a vocoder restores the waveform; both can be trained end to end. Discrete audio tokens with autoregressive or diffusion decoding yield more natural prosody and support zero-shot timbre imitation. On the text side, phonemisation and text normalisation handle digits, abbreviations and polyphonic characters.
प्रतिनिधि उत्पाद
6ElevenLabs
2022स्वाभाविक और क्लोन करने योग्य आवाज़ वाली बहुभाषी टेक्स्ट-टू-स्पीच सेवा
SparkTTS
2023चीनी भाषा के उपयोग के लिए लक्षित टेक्स्ट-टू-स्पीच इंटरफ़ेस
Synthesia
2019टेक्स्ट लिखें, बोलते अवतार वाला वीडियो पाएँ
Gemini
2023मूल रूप से बहुविध, अति-लंबे संदर्भ के लिए बना सामान्य मॉडल
Doubao
2023बाइटडांस का सामान्य संवाद मॉडल और ऐप
Siri
2011वह शुरुआती वॉइस असिस्टेंट जिसने आम फ़ोन में आवाज़ से नियंत्रण लाया
संबंधित संस्थान
सामान्य उपयोग
- Audiobooks and news reading
- Accessibility reading and assistive narration
- Navigation prompts, podcasts and dubbing
- Support and smart-device response audio
इसका मूल्यांकन कैसे होता है
- MOS
- Mean opinion score for naturalness
- Intelligibility (WER)
- Re-transcribing the output to measure how much is misheard
- Speaker similarity
- Closeness to the target timbre
सीमाएँ और कठिनाइयाँ
- Pauses and stress in long sentences sound unnatural, making whole passages feel flat
- Numbers, proper nouns and polyphonic characters are misread, and one normalisation slip derails the sentence
- Control over emotion and style is coarse; only a few systems let you finely set pace and mood
इसके पीछे की अवधारणाएँ
ऑटोएन्कोडर और वीएई
सूचना को एक संकीर्णता से गुज़ारें, फिर उसे दोबारा उगने दें
अटेंशन तंत्र
हर स्थान बाकी सभी स्थानों को सीधे देख सकता है और प्रासंगिकता के अनुसार ध्यान बाँट सकता है
Transformer आर्किटेक्चर
शब्द-दर-शब्द relay की जगह वह कक्ष जहाँ सब एक साथ बोलते हैं, जिससे दूर की निर्भरताएँ एक कदम पर आ जाती हैं