Menerapkan sintesis ucapan dalam program ASP.NET

Penulis：Eve Cole Waktu Pembaruan：2009-06-30 16:07:51

Anda mungkin telah memperhatikan bahwa sintesis ucapan menjadi semakin umum akhir-akhir ini. Ratusan mainan dan gadget elektronik mampu berbicara kepada pemiliknya melalui suara mesin. Baik itu boneka bayi yang bisa berbicara, pedometer yang bisa berbicara, atau sistem telepon otomatis yang baru, hampir setiap hari sebuah produk dirilis yang menggunakan teks untuk berbicara.

Teknologi Text-to-speech (TTS), juga dikenal sebagai sintesis ucapan, adalah proses mengubah teks masukan menjadi ucapan audio. Pendekatan ini lebih baik daripada teks yang direkam sebelumnya - pendekatan ini memerlukan pengetahuan terlebih dahulu tentang apa yang ingin dikatakan. Dengan TTS, dimungkinkan untuk menambahkan informasi dinamis. Informasi dinamis dapat berasal dari database atau dapat diulang oleh pengguna.

1. Tes TTS

Jika Anda pernah melihat atau mendengar aksi TTS, Anda mungkin ingin mengunduh ReadPlease 2003 versi gratis. Produk ini mampu membaca teks dari clipboard Windows. Untuk menggunakannya, Anda cukup menempelkan beberapa teks ke dalam editor ReadPlease (lihat Gambar 1) - dan dengan asumsi speaker PC Anda dihidupkan, Anda akan mendengar teks tersebut diputar. Saat ini, produk tersebut hanya berfungsi pada semua versi OS desktop Windows, namun mereka juga berencana merilis versi untuk sistem Mac, Unix, Palm, dan Windows CE.

Hal yang menarik tentang ReadPlease adalah Anda dapat menggunakan editor ReadPlease untuk bereksperimen dengan pemilihan parameter TTS Anda. Misalnya, Anda dapat mengatur kecepatan artikulasi dengan menggerakkan kontrol penggeser Kecepatan yang ditunjukkan pada Gambar 1 ke atas atau ke bawah. Anda juga dapat mengubah suara yang digunakan dengan mengklik tombol panah di bawah ikon wajah kecil.

Gambar 1. Aplikasi ReadPlease 2003: Aplikasi Windows ini dapat membaca teks apa pun yang disisipkan dari clipboard ke dalam kolom edit.

Apa yang kamu butuhkan? Visual Studio.NET 2003, SDK Aplikasi Ucapan Microsoft 1.1

Mengklik menu "Alat" dan kemudian memilih "Opsi" memungkinkan Anda bereksperimen lebih jauh dengan editor TTS, misalnya, Anda dapat menyesuaikan lama jeda mesin ucapan antar paragraf. Meningkatkan ke versi ReadPlease Plus akan memberi Anda akses ke opsi editor pengucapan tambahan yang memungkinkan Anda menentukan cara mengucapkan kata tertentu. ReadPlease Plus juga menyertakan bilah tugas yang dapat Anda dok di bagian atas desktop Windows Anda. Jadi Anda dapat dengan cepat menyeret teks dari aplikasi berbasis file apa pun ke bilah tugas dan membacakannya untuk Anda.

Secara default, aplikasi ReadPlease menggunakan suara bawaan Microsoft (Mark, Mike, Sam atau Marilyn). Namun, Anda juga dapat membeli AT&T Natural Voices dengan kualitas lebih tinggi, seperti yang tersedia di AT&T Natural Voices Starter Pack. Paket Pemula mencakup "Mike" dan "Crystal" versi 8K, yang keduanya terdengar lebih baik daripada suara default Microsoft.

Catatan Penulis: Istilah 8K berarti frekuensi sampling yang digunakan untuk membuat file WAV terjadi pada 8000 bit per detik. Format lainnya adalah 16k, yang menghasilkan efek pendengaran yang lebih jernih dan alami. Pada dasarnya, semakin tinggi sample rate, semakin baik kualitas suaranya.

2. SDK Kit Pengembangan Aplikasi Microsoft Voice 1.1

Pada tahun 2004, Microsoft merilis Microsoft Speech Server, dan terdapat SDK gratis yang memungkinkan Anda mengembangkan program pidato berbasis Web yang berjalan di Speech Server. Anda dapat menggunakan SDK untuk membangun aplikasi telepon atau suara saja - di mana interaksi komputer-ke-pengguna dicapai menggunakan telepon. Anda juga dapat membangun aplikasi multimodal di mana pengguna memilih untuk menggunakan kontrol suara atau web tradisional sebagai input.

Mesin Microsoft TTS mensintesis teks dengan memecah kata menjadi fonem. Fonem adalah unit dasar bahasa manusia. Mereka mewakili sekelompok "suara" yang membentuk bunyi sebuah kata. Fonem yang diekstraksi kemudian dianalisis oleh mesin TTS dan diubah menjadi simbol yang digunakan untuk menghasilkan ucapan audio digital.

Anda dapat menggunakan contoh aplikasi yang dapat diunduh yang menyertai artikel ini (ExploringTextToSpeech.csproj) untuk bereksperimen dengan aspek mesin Microsoft TTS yang dapat dikonfigurasi. Aplikasi multimodal ini terdiri dari halaman web (lihat Gambar 2) di mana Anda dapat memasukkan beberapa teks. Anda kemudian dapat mengklik tombol untuk mendengarkan teks dengan cara berikut.

Catatan Penulis: Penggunaan mesin TTS tidak dapat dihindari ketika teks yang akan diputar tidak dapat diketahui sebelumnya, namun Anda bisa mendapatkan kualitas suara yang lebih baik dengan merekam audio; Jika kualitas audio sangat penting, Anda dapat menggunakan Microsoft Speech Application Software Development Kit (SASDK) untuk merekam audio. Misalnya, Anda mungkin ingin menggunakan rekaman audio untuk memberikan informasi kepada pengguna. Audio yang direkam dapat dipecah menjadi serangkaian isyarat, yang kemudian digabungkan pada waktu berjalan.

· Ucapkan Teks Biasanya-Menyediakan patokan tes

· Ucapkan sebagai Akronim - Teks "ASP" dihasilkan oleh "ASP"

· Ucapkan sebagai Nama-Tuan John Doe diserang "Tuan John Doe"

· Say As Date - Dalam hal ini, tanggal diformat sebagai: bulan, hari, tahun

· Katakan sebagai Alamat Web - Dalam hal ini, teks diformat sebagai Uniform Resource Identifier (URI)

· Katakan sebagai Digit - Angka yang dimasukkan sebagai teks direpresentasikan sebagai serangkaian digit

· High Pitch/Slow Rate - Teks dipancarkan secara perlahan dan dalam nada tinggi.

· Laju Cepat/Volume Keras - Teks dikeluarkan dengan nada tinggi yang cepat.

· Nada Rendah/Volume Lembut-Teks dipancarkan dalam nada rendah dengan volume sedang.

Gambar 2. Contoh aplikasi - Anda dapat menggunakan aplikasi ini untuk mendengarkan teks yang diucapkan dalam berbagai cara.

Aplikasi multimodal menggunakan kontrol cepat untuk menentukan audio yang akan diputar kepada pengguna. Kontrol prompt berisi properti InlineContent - dapat berisi kontrol Ucapan dasar yang berupa Konten atau Nilai. Kontrol Konten menentukan file prompt tertentu yang berisi rekaman audio yang disimpan. Kontrol Nilai menentukan elemen dalam halaman Web HTML. Contoh aplikasi menggunakan kontrol Nilai yang mereferensikan elemen input bernama txtText (dalam bidang "Ketikkan beberapa teks di sini:" pada Gambar 2). Berikut adalah HTML yang menjelaskan anotasi yang digunakan untuk prompt:

＜ucapan:prompt id="prmText" runat="server"＞
＜Konten Sebaris＞
＜ucapan:Nilai runat="server"
TargetElement="txtTeks"
TargetAttribute="nilai">
＜/pidato:Nilai＞
＜/Konten Sebaris＞
＜/pidato: cepat＞

3. Bahasa anotasi sintesis ucapan

Mesin TTS membuat asumsi default tertentu tentang cara memutar teks yang direferensikan oleh atribut InlineContent, namun pengembang dapat mengontrol cara mesin TTS menghasilkan audio dengan menggunakan elemen Speech Synthesis Markup Language (SSML). Menurut rekomendasi Asosiasi W3C, SSML adalah bahasa markup berbasis XML. Tabel 1 mencantumkan elemen SSML yang didukung oleh SASDK.

Tabel 1. Elemen SSML yang didukung: Tabel ini mencantumkan elemen SSML yang didukung oleh SASDK dan digunakan untuk mengontrol cara mesin TTS menghasilkan teks.

Deskripsi	elemen SSML
ssml:paragraph/ssml:sentence	digunakan untuk memecah teks menjadi kalimat atau paragraf.
ssml:say-as	digunakan untuk menentukan cara memutar teks. Ia menerima beberapa atribut berbeda untuk menentukan jenis teks.
ssml:fonem	digunakan untuk mengontrol pengucapan suatu kata.
ssml:sub	digunakan untuk menentukan kata atau frasa pengganti untuk menggantikan teks yang ditentukan.
ssml:penekanan	digunakan untuk meningkatkan tekanan pada kata atau frasa.
ssml:break	digunakan untuk menyisipkan beberapa jeda di antara kata-kata tertentu dalam teks.
ssml:prosody	digunakan untuk mengontrol nada, laju, dan volume.
ssml:audio	digunakan untuk menyisipkan file audio yang direkam.
ssml:mark	digunakan untuk menyisipkan tanda pada posisi tertentu dalam teks. Tag ini kemudian dapat digunakan untuk mewakili suatu peristiwa atau memicu suatu perilaku.

Contoh aplikasi ini mengilustrasikan penggunaan elemen say-as dan prosodySSML. Setiap tombol pada halaman Default.aspx berhubungan dengan kontrol prompt. Kontrol cepat ini mencakup elemen ssml:say-as atau ssml:prosody dalam elemen InlineContent. Contoh berikut menunjukkan markup HTML untuk salah satu elemen berikut:

＜ucapan:prompt id="prmSayAsAcronym" runat="server"＞
＜Konten Sebaris＞
＜ssml:say-as type="akronim"＞
＜ucapan:Nilai runat="server"
TargetElement="txtTeks"
TargetAttribute="nilai"></ucapan:Nilai>
＜/ssml:ucapkan sebagai＞
＜/Konten Sebaris＞
＜/pidato: cepat＞

Ketika pengguna mengklik salah satu tombol ini, ia mengeksekusi JavaScript yang ditunjukkan di bawah ini:

fungsi SayAsAcronym() {
prmSayAsAkronim.Mulai();
}

Pada contoh di atas, prompt bernama prmSayAsAcronym menyertakan elemen ssml:say-as, yang menetapkan bahwa teks apa pun yang terdapat dalam elemen masukan txtText harus dikeluarkan dengan huruf pertama setiap kata. Jadi, jika Anda mengetik "ASP" ke dalam elemen teks dan mengklik "Say As Acronym", mesin TTS akan membaca setiap huruf.

Untuk bereksperimen dengan contoh aplikasi, Anda dapat memasukkan beberapa cuplikan teks dan mengklik setiap tombol untuk melihat bagaimana mesin TTS menafsirkan teks. Saya menganjurkan agar Anda mengubah nilai elemen dan bereksperimen dengan cara setiap kontrol dihasilkan. SASDK memberi pengembang kendali yang baik atas cara mesin TTS menghasilkan teks, sehingga eksperimen dapat menghasilkan aplikasi berbasis ucapan yang lebih alami.