Lietuviško balso sintezės dabartis ir perspektyvos

PIJUS KASPARAITIS, GINTARAS SKERSYS Vilniaus universitetas A LITVÁN HANGSZINTÉZIS JELENE ÉS TÁVLATAI LÉNYEGES SZAVAK: litván nyelv, hangszintézis, LIEPA projekt. BEVEZETÉS A nyelv az ember és a számítógép közötti kommunikáció legtermészetesebb és legelfogadhatóbb módja, ezért nem meglepő, hogy jelentős erőfeszítéseket tesznek a számítógépek különböző nyelveken való beszédre vonatkozó képességeinek fejlesztésére. A litván nyelv sem kivétel. Bár az első próbálkozások óta, hogy a számítógépet litvánul „megszólaltassák”, negyed évszázad telt el, kijelenthető, hogy az áttörés csak 2015-ben következett be, amikor befejeződött a „Litván beszéddel vezérelt szolgáltatások” (LIEPA) projekt végrehajtása. A LIEPA projekt során létrehoztak egy 4 hangon beszélő elektronikus szövegolvasót (szintetizátort), valamint 7 szolgáltatást, amelyekben ezt használják. Részletesebben lásd a LIEPA projekt honlapján (https://www.raštija.lt/liepa). A litván hangszintetizátorokban alkalmazott algoritmusokat, hangbázisokat, valamint az elért eredményeket (a hang érthetőségét és természetességét) részletesebben a (Kasparaitis 2016) című cikk ismerteti, ebben a tanulmányban pedig a LIEPA projekt tevékenységeit követően létrehozott új, hangszintézisen alapuló szolgáltatásokat, valamint a közeljövőben megjelenhető szolgáltatásokat tárgyaljuk. 1. A SZINTETIZÁTOR ALKALMAZÁSAI A LIEPA projekt keretében létrehozott elektronikus szövegolvasó a forrásszövegekkel együtt szabadon terjeszthető, ez pedig lehetőséget teremt más, a LIEPA projekthez nem kapcsolódó személyek és szervezetek számára is, hogy újabb és egyre változatosabb alkalmazási lehetőségeket keressenek a szintetizátor számára. 1.1. A Remote Vilnius című előadás A LIEPA szintetizátor hangjait, Aistė és Edvard hangját először még befejezésük előtt használták fel. Ez a Sirenos 2014 nemzetközi színházi fesztiválon történt, amelyen PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és perspektívái |2 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 bemutatták a Rimini Protokoll német társulat kifejezetten Vilnius számára létrehozott Remote Vilnius című előadását. Az előadásban sem színpad, sem színészek nincsenek. A cselekmény kitos miesto erdvės, dekoracijos – tai namai, automobiliai, praeiviai, o aktoriai – kartu ir žiūrovai helyszínei – Vilnius gondosan kiválasztott utcái, illetve – ez körülbelül 50 emberből álló csoport, amely fejhallgatókkal van ellátva; ezekben Aistė vagy Edvard (az előadásban Juozas) szintetikus hangjai szólalnak meg, amelyek megpróbálják elnyerni a hallgató bizalmát, felkelteni érdeklődését, végül pedig irányítani ezt az embercsoportot. Az előadás mintha az emberiség jövőjét jósolná meg, amikor a számítógépek irányítják majd az embereket. Az előadásról készült kép az 1. ábrán látható, az előadás részletei megtekinthetők az LRT médiatárában (FLM1 2014). Az előadásról számos sajtóvisszhang jelent meg, a hivatkozások jegyzéke a LIEPA projekt híreiben található (LN1 2014). Az előadáshoz kifejezetten mechanikusan és természetellenesen hangzó hangokra volt szükség, ezért a még nem csiszolt szintetizátorhangok tökéletesen megfeleltek erre a célra. A hangfelvételeket különféle hangeffektekkel is kiegészítették. 1 PAV. Kadras iš spektaklio Remote Vilnius (D. Matvejevo nuotr.) PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és kilátásai |3 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 1.2. A rövid cikkek felolvasása internetes oldalakon Kita nyilvánvaló és ezért számos alkalmazást magában foglaló csoportot az internetes cikkek, hírek és hasonlók hangos változatai alkotják. A lényeget talán a Lietuvos žinios egyik cikkének címe jellemzi a legjobban (LŽ 2015): Mostantól a „Lietuvos žinios” nemcsak olvasható, hanem hallgatható is. Más szóval a cikk szövege mellett hangfelvételt is közzétesznek. A Lietuvos žinios portál (http://lzinios.lt/) és mobilváltozata (http://m.lzinios.lt/) erre a célra elsőként 2015. szeptember 14-től kezdett szintetizátort használni, 2015 októberének végétől pedig az Ūkininko patarėjas (http://ukininkopatarejas.lt/), 2016 februárjától Vilnius város önkormányzatának honlapja (http://www.vilnius.lt/) (VLN 2016), 2017 februárjától pedig a Delfi hírportál mobilváltozata 2017). (http://m.delfi.lt/) (DELFI Ezen a webhelyeken az újonnan megjelenő cikkek száma meglehetősen nagy, ezért a szövegből generált hangfelvételt már nem szerkesztik, mivel erre nem lenne elegendő idő, erőforrás és hasonlók. Nagyon fontos, hogy a szintetizátor a lehető legkevesebb hibát ejtse. A kūrėjams sukelia pradinis teksto apdorojimas, t. y. skaičių, datų, santrumpų, specialiųjų ženklų legtöbb nehézséget a szintetizátor és az egyéb nem szöveges információk szöveggé alakítása okozza. A különböző webhelyeken eltérő szövegszerkesztési szabályokat alkalmazhatnak, ezért a szintetizátor szövegfeldolgozó blokkját minden egyes webhelyhez hozzá kell igazítani. A hangfelvételeket a cikkek mellett és állandó tartalmú webhelyeken is közzé lehet tenni. A korábban leírt alkalmazástól a legfontosabb különbség az lenne, hogy a szócikkek száma véges vagy lassan változik, ezért minden egyes szócikk szövege hozzáigazítható a szintetizátorhoz, vagy egyáltalán két szövegváltozat készíthető: egy az olvasó, egy pedig a szintetizátor számára. A szintetizátor is némileg hozzáigazítható a szöveghez, például kibővíthető a szintetizátor rövidítésjegyzéke. Az alkalmazás példája a Visuotinė lietuvių enciklopedija (https://www.vle.lt/). A baltai (VLE 2017) című szócikk egy részlete kiválóan szemlélteti, milyen szöveget kap az olvasó, és hogyan kellene azt a szintetizátornak felolvasás előtt átalakítania: „...vakarų Δ prokalbė atsiskyrusi apie 1 t-mečio pr. Kr. vidurį“ „...vakarų baltų prokalbė atsiskyrusi apie pirmojo tūkstantmečio prieš Kristų vidurį“ Jelenleg a szintetizátor előkészítetlen szöveget olvas fel, vagyis magának a szintetizátornak kellene eldöntenie, milyen szót illesszen a háromszög helyére, megválasztania a sorszámnevet, kibontania a rövidítéseket, PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és perspektívái |4 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 összeegyeztetnie a szavak ragjait, bár erre még nem képes. Ebben a példában van még egy, az olvasó számára észrevétlen kis probléma is – kötőjel helyett nem törő kötőjelet használtak. 1.3. Szövegfelolvasó szolgáltatás A szövegfelolvasási szolgáltatásokat leggyakrabban vakok és gyengénlátók használják, azonban más felhasználók számára is hasznosak lehetnek, például tanulók vagy hallgatók számára előadási jegyzetek felolvastatására. Az egyik ilyen szolgáltatás a RoboBraille, amelyet a dániai Synscenter Refsnæs a Sensus ApS-szel együttműködésben fejlesztett ki (http://robobraille.org/). A LIEPA projektben létrehozott litván szintetikus hangok 2015 novembere óta működnek a RoboBraille szolgáltatásban (ROBO 2015, LN2 2015). A RoboBraille szolgáltatás lehetővé teszi a szöveges dokumentumok automatikus átalakítását számos, látásvagy olvasási fogyatékossággal élő emberek számára megfelelő alternatív formátumba. Az egyik lehetséges formátum az MP3 hangfájl. Ez egy önkiszolgáló szolgáltatás, amely a nap 24 órájában, a hét 7 napján működik. Az egyéni, nem kereskedelmi felhasználók számára a szolgáltatás ingyenes. A szolgáltatás lehetővé teszi egy vagy több szövegfájl kiválasztását (a lehetséges formátumok: .DOC, .DOCX, .PDF, .PPT, .PPTX, .TXT, .HTML, .HTM, .RTF, .EPUB, .MOBI stb.), internetcím megadását, vagy egyszerűen a kívánt szöveg beírását az erre kijelölt mezőbe. Ezután négy litván hang és hét sebesség közül lehet választani. Amikor a rendszer elkészíti az MP3 hangfájlt, a felhasználó által megadott e-mail-címre elküldi a hozzá vezető hivatkozást. 1.4. A buszpályaudvar információi A szintetizátor egy másik alkalmazása: az utasoknak szóló közlemények hangos felolvasása autóbuszés vasútállomásokon, repülőtereken stb. A Vilkaviškisi buszpályaudvar igazgatójának, Algimantas Ankevičiusnak az erőfeszítéseinek köszönhetően ez már működik. Az élő bemondó hangja helyett itt 1980-tól kezdtek hangfelvételeket használni, amikor egy magnetofonhoz órát csatlakoztattak; a felvételeket 2012-ben litván hangszintetizátorral váltották fel, a LIEPA projekt hangjai pedig 2015 második felétől hallhatók a Vilkaviškisi buszpályaudvaron. Erről részletesebben lásd a filmet (FLM4 2015). Reggel 7 órától este 19 óráig pontos időt, a buszok érkezését és indulását, valamint egyéb információkat közölnek az utasokkal. A peronon csak hirdetéseket olvasnak be, az utasváróban pedig hirdetéseket olvasnak be és rádióműsorokat sugároznak. A hirdetést egy perc alatt kell tudni elolvasni, PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és perspektívái |5 mert BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 egy perc múlva bekapcsol a rádió. A hirdetéseket szintetizátorhangok duettjei olvassák fel (felváltva néhány mondatonként női, majd férfihang), hasonlóan a televíziós műsorvezetőkhöz. 1.5. NAO ROBOT 2. ÁBRA NAO robot (http://old.mii.lt/index.php?siteaction=ne ws_notices.view&id=4009&lang=lt) A projekt egyik olyan alkalmazása, amely minden bizonnyal a modern technológiák fiatal felhasználóit fogja leginkább érdekelni, a Robotikai Akadémia és az UAB Baltic Orbis tulajdonában lévő, litvánul megszólaló NAO humanoid robot (2. ábra). Arra buzdította az embereket, hogy látogassanak el a Litvánia standjához a Brüsszelben megrendezett EU OPEN DAY 2016 rendezvény idején, amelyen az Európai Unió országai mutatkoztak be (LN3 2016, FLM2 2016). A LIEPA projektben létrehozott litván szintetikus hangokat a robotba betáplálta, és a robotot mozgásra megtanította a Robotikai Akadémia mérnöke, Linas Aidokas, a robot fellépésének forgatókönyvét pedig prof. Laimutis Telksnys (VU MII), dr. Rita Miliūnaitė (LKI) és Tautė Bernotaitė (LKI). A NAO robot litván szavakra is tanította az Európai Nyelvek Napjának látogatóit a Szentpéterváron található Ermitázs Múzeumban (a litván standot csaknem 3000 látogató kereste fel) (FLM3 2016), továbbá Kristijonas Donelaitis Metų című művének egy részletét szavalta a Litván Köztársaság Sejmjében megrendezett konferencián: Vajon beszélnek majd a robotok litvánul? (LN4 2016). PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és kilátásai |6 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2. POTENCIÁLIS ALKALMAZÁSI PÉLDÁK Ebben a fejezetben a beszédszintézis olyan potenciális alkalmazási példái kerülnek bemutatásra, amelyek még nem valósultak meg, azonban ennek érdekében már megtörténtek az első lépések. 2.1. A SZINTETIZÁTOR ÁTHELYEZÉSE A LINUX OPERÁCIÓS RENDSZERBE A LIEPA projekt szintetizátora Windows környezetre készült. Linux környezethez igazítva nagyobb számú felhasználási lehetőséggel rendelkezne. Mindenekelőtt az internetes újságok, folyóiratok és más hasonló webhelyek cikkeinek hangosítására lenne használható, amint az már leírásra került az 1.2. fejezetben, azonban csak a Linux alapjain megvalósított webhelyeken. Hasonlóképpen a szintetizátort állandóbb tartalmú webhelyek hangosítására is használnák, például a Wikipedia enciklopédia hangosítását tervezik (lásd Chirgwin 2016). 2.2. Virtuális asszisztensek A mesterséges intelligencia fejlődésével virtuális asszisztenseket hoznak létre, amelyek képesek válaszolni az ember által szabad formában megfogalmazott kérdésekre. A Litván Köztársaság Belügyminisztériuma alá tartozó Migrációs Osztály weboldalának (http://www.migracija.lt/) látogatóit Martynas és Ieva virtuális asszisztensek segítik. Kérdéseket lehet feltenni nekik, amelyekre válaszolnak, vagy a weboldal kapcsolódó oldalaira mutató hivatkozások listáját adják meg. Például a Mennyibe kerül az útlevél kérdésre a következő válasz jelenik meg: A személyazonosító okmányok kiállításáért fizetendő, meghatározott összegű állami illeték:  Útlevél;  Személyazonosító igazolvány;  ideiglenes állampolgári igazolvány. Díjmentesség Hogyan kell fizetni Atkreipiame Jūsų dėmesį, asmens dokumentus išduoda teritorinių policijos įstaigų migracijos részlegek. PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és kilátásai |7 Megnyílik BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 továbbá az állami illetékek jegyzéke című oldal. Ugyanez a válasz jelenik meg a Mennyibe kerül a személyazonosító igazolvány? kérdésre is, vagyis a válaszok előre elkészítettek, és általánosabbak a kérdéseknél. A nem megfelelő kérdésekre az asszisztens ilyen típusú válaszokat ad: Kérjük, pontosítsa a kérdést; Igyekszem segíteni Önnek, ha rövid kérdéseket tesz fel; Igyekszem a kérdésére a Migrációs Osztály hatáskörének megfelelően válaszolni. A virtuális asszisztensek egyik hátránya, hogy válaszaik nincsenek litvánul megszólaltatva. 3. ÁBRA Ieva és Martynas virtuális asszisztensek (http://www.migracija.lt/) folyamatosan kiáltozták: „Forró cseburek! Sült kenyér! ...“ Ilyen munkát egy PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és perspektívái |8 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2.3. MIO MOBILE KIOSZK ROBOT Daugelis poilsiautojų Palangos pajūryje yra matę šaltkrepšiais nešinus jaunuolius, robot is elvégezhetne. Pontosan erre a célra szolgáló autonóm mobil értékesítő automatát, a MIO mobile kiosk nevűt (4. ábra), jelenleg az egyik litván startup fejleszti (http://miokiosk.com/) (Fuks 2016). A tervek szerint harapnivalókat és italokat fog szállítani és értékesíteni parkokban, tereken, valamint különféle rendezvények idején. A tervek szerint ezt a robotot mobilalkalmazáson keresztül lehet majd hívni, a vásárlóval való kommunikációhoz pedig érintőképernyőt használnak majd. A felhasználók kényelme érdekében a robot akár litvánul is megszólalhatna: megszólíthatná a vásárlókat, reklámozhatná termékeit, használati utasításokat adhatna stb. 4. ÁBRA MIO mobile kiosk (http://miokiosk.com/) 2.4. Automatikus fordítóprogramok Már néhány évtizeddel ezelőtt megjelentek az első számítógépes programok, amelyek képesek voltak egyik nyelvről a másikra fordítani a szöveget. Némelyikük képes hangosan felolvasni a fordítandó vagy már PIJUS KASPARAITIS, GINTARAS SKERSYS. A litván beszédszintézis jelene és kilátásai |9 a BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 lefordított szöveget. Például az egyik legnépszerűbb program, a Google Fordító (http://translate.google.lt/), fel tudja olvasni a szomszédos országok nyelvein írt szöveget: lengyelül, oroszul, lettül. Legalább 4 olyan fordítóprogram ismert, amely litván nyelvre vagy litván nyelvről fordít: a már említett Google Fordító, a Microsoft Fordító (http://www.bing.com/translator/), a Vytautas Magnus Egyetem fordítóprogramja (http://vertimas.vdu.lt/twsas/), valamint a Tildė IT és a Litván Nyelvi Intézet fordítóprogramja (https://translate.tilde.com/lt/). Sajnos ezek a fordítóprogramok nem képesek a litván szöveget hangosan felolvasni. 2.5. Az okostelefonok adaptálása a vakok számára Az utóbbi években számos olyan feladatot, amelyet az emberek korábban számítógépen végeztek, például az internet böngészését vagy levelek írását, ma már okostelefonokon végeznek. A vakok és gyengénlátók sem kivételek, ők is egyre gyakrabban használnak okostelefonokat. A számítógépek használatához hasonlóan a vakok számára a visszajelzés hang formájában érkezik. E célból az okostelefonok beépített beszédszintetizátorokkal, valamint szabványosított interfészen keresztül hozzájuk kapcsolódó, vakok számára készült képernyőolvasókkal rendelkeznek. Az okostelefonok legnépszerűbb operációs rendszerei és a bennük beépített olvasók a következők: a nyílt Android rendszer és a TalkBack olvasó, az Apple vállalat iOS rendszere és a VoiceOver, valamint a nei Apple, nei Microsoft nėra sukūrusios lietuviško sintezatoriaus, o galimybės įdėti savo sukurtą Microsoft vállalat Windows Mobile rendszere és a Narrator. Sajnos a szintetizátorok készülékeikbe történő beépítése szándékosan korlátozott, ezért jelenleg csak az Android rendszerű okostelefonokat lehet litván nyelvű beszédre bírni. Ehhez át kellene helyezni a szintetizátor szoftverét az Android rendszerbe, létre kellene hozni egy szabványos interfészt, és a vakok a beépített TalkBack képernyőolvasó segítségével használhatnák az okostelefont. A LIEPA szintetizátor Android rendszerbe történő áthelyezésével kapcsolatos néhány akadály:  Az okostelefonok általában kevesebb memóriával rendelkeznek, mint a számítógépek, ezért csökkenteni kellene a hangadatbázisok méretét, ami ronthatná a hangminőséget. Az okostelefonokban azonban elegendő lehet alacsonyabb jelmintavételi frekvencia is, így a hangadatbázisok mérete pusztán a frekvencia csökkentésével mérsékelhető lenne;  Az Android rendszerben az interfészt általában a Java programozási nyelven programozzák, amely az interpretált nyelvek közé tartozik, a szintetizátor pedig C nyelven íródott, amely