คู่มือเสียง AI
การแปลงกราฟเป็นฟอนิม
การแปลงกราฟเป็นฟอนิม (G2P) จะแปลตัวอักษรที่เขียนเป็นเสียงที่ระบบเสียงพูดควรออกเสียงจริงๆ
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
It is the bridge that lets text-to-speech say 'read' correctly in past versus present tense and handle words it has never seen before.
เจาะลึก
กราฟคือตัวอักษรที่คุณพิมพ์ หน่วยเสียงเป็นหน่วยเสียงที่แตกต่างกันของภาษา (ภาษาอังกฤษมีประมาณ 40 หน่วย) ในภาษาต่างๆ เช่น ภาษาอังกฤษ การสะกดคำเป็นแนวทางในการออกเสียงที่ไม่น่าเชื่อถืออย่างฉาวโฉ่ ดังนั้น G2P จึงเป็นองค์ประกอบส่วนหน้าหลักของ TTS และมีประโยชน์ในการรู้จำเสียงพูดอัตโนมัติ ระบบคลาสสิกอาศัยพจนานุกรมการออกเสียงขนาดใหญ่ เช่น CMUdict จากนั้นจึงกลับไปใช้กฎเกณฑ์หรือแบบจำลองทางสถิติสำหรับคำที่ไม่มีคำศัพท์ G2P สมัยใหม่ถือว่าปัญหาเป็นการแปลตามลำดับ: ตัวเข้ารหัสหรือตัวถอดรหัสประสาทหรือหม้อแปลงจะอ่านสตริงตัวอักษรและส่งเสียงสตริงฟอนิม ซึ่งมักจะอยู่ในรูปแบบ ARPAbet หรือ IPA สิ่งสำคัญที่สุดคือ G2P ที่ดีสามารถแก้ไขคำที่ต่างกันได้ — การสะกดเหมือนกัน เสียงที่แตกต่างกัน เช่น 'lead' ที่เป็นโลหะและ 'lead' คำกริยา — โดยใช้บริบทโดยรอบและข้อมูลส่วนหนึ่งของคำพูด
การใช้งานจริงในโลกแห่งความเป็นจริง
ปล่อยให้เสียงการอ่านออกเสียงข้อความออกเสียงชื่อ สถานที่ และคำของแบรนด์ที่ไม่คุ้นเคยอย่างถูกต้องซึ่งไม่ได้อยู่ในพจนานุกรม
การแยกแยะความแตกต่างระหว่างคำว่า 'tear' (ฉีก) กับ 'tear' (ร้องไห้) ตามบริบทของประโยค
การสร้างพจนานุกรมการออกเสียงสำหรับภาษาที่มีทรัพยากรต่ำซึ่งไม่มีพจนานุกรมขนาดใหญ่
ช่วยให้การรู้จำเสียงพูดและแอปการเรียนรู้ภาษาแบบตอบรับการออกเสียงและการตอบสนองจับคู่การสะกดกับเสียงที่คาดหวัง
อนาคตของการแปลงกราฟเป็นฟอนิม
G2P กำลังมุ่งสู่โมเดลหลายภาษาและการสลับรหัสที่จัดการข้อความภาษาผสมและคำที่ยืมมาในการส่งผ่านครั้งเดียว บวกกับการแยกความกำกวมที่ดีขึ้นของคำที่แตกต่างโดยใช้บริบทแบบเต็มประโยคจากโมเดลภาษา ขณะนี้ระบบ TTS แบบ end-to-end บางระบบเรียนรู้การออกเสียงโดยปริยายและข้ามหน่วยเสียงที่ชัดเจน แต่การออกแบบแบบผสมที่ยังคงเปิดเผยหน่วยเสียงยังคงได้รับความนิยมในการควบคุมและแก้ไขคำที่หายาก คาดหวังการบูรณาการที่เข้มงวดยิ่งขึ้นกับโมเดลภาษาขนาดใหญ่เพื่อการออกเสียงตามบริบทและการครอบคลุมภาษาที่มีทรัพยากรต่ำในวงกว้างมากขึ้น
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- เข้าถึงและเข้าถึง. ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
- ต้นทุนและงบประมาณ. ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
- ความเร็วและขนาด. ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
ระวัง
- การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
- ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
- เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
ขั้นตอนต่อไป
- ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
- ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
- กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
- ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Grapheme-to-Phoneme Conversion quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
What is Grapheme-to-Phoneme Conversion?
การแปลงกราฟเป็นฟอนิม (G2P) จะแปลตัวอักษรที่เขียนเป็นเสียงที่ระบบเสียงพูดควรออกเสียงจริงๆ เป็นสะพานเชื่อมที่ช่วยให้การอ่านออกเสียงข้อความพูดว่า 'อ่าน' ได้อย่างถูกต้องในอดีตกาลเทียบกับปัจจุบัน และจัดการกับคำที่ไม่เคยเห็นมาก่อน
ในการแปลงกราฟเป็นฟอนิม 'หน่วยเสียง' คืออะไร
หน่วยเสียงเป็นหน่วยเสียงที่มีคอนทราสต์ที่เล็กที่สุด (ภาษาอังกฤษมีประมาณ 40 หน่วย) กราฟคือตัวอักษรที่เขียน
เหตุใด G2P จึงยากเป็นพิเศษสำหรับภาษาอังกฤษ
การสะกดการันต์ภาษาอังกฤษไม่สม่ำเสมอ — ตัวอักษรและการผสมตัวอักษรแมปกับเสียงที่ไม่สอดคล้องกัน ทำให้การออกเสียงตามกฎไม่น่าเชื่อถือ
'heteronym' ที่ G2P ต้องแก้ไขคืออะไร
คำพ้องความหมายเช่น 'lead' (โลหะ) กับ 'lead' (เพื่อเป็นแนวทาง) แบ่งปันการสะกดคำ แต่มีเสียงต่างกัน บริบทและส่วนของคำพูดทำให้พวกเขากระจ่างขึ้น
ทรัพยากรใดคือพจนานุกรมการออกเสียงภาษาอังกฤษแบบคลาสสิกที่ใช้ในระบบ G2P
พจนานุกรมการออกเสียงของ Carnegie Mellon (CMUdict) ให้การถอดเสียงหน่วยเสียง ARPAbet สำหรับคำภาษาอังกฤษหลายคำ
โดยทั่วไปโมเดล G2P ของระบบประสาทสมัยใหม่จะวางกรอบงานอย่างไร
Neural G2P ใช้สถาปัตยกรรมตัวเข้ารหัส-ตัวถอดรหัสหรือหม้อแปลงไฟฟ้าเพื่อแปลลำดับอักขระเป็นลำดับฟอนิม โดยจัดการความยาวที่แตกต่างกันผ่านความสนใจหรือ CTC
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้