လွယ်လွယ်ပြောရရင် Text-to-Speech (TTS) ဆိုတာ စာသားကို အသံအဖြစ် ပြောင်းပေးတဲ့ နည်းပညာပါ။ သင် ဖုန်းထဲက စာတစ်ပုဒ်ကို ရွေးလိုက်ပြီး “Read aloud” နှိပ်လိုက်ရင် ဖုန်းက အဲဒီစာကို အသံထွက်ပြီး ဖတ်ပြတာ — အဲဒါ TTS ပဲ။
ကျွန်တော် ဒါကို စသိတာ ကားမောင်းရင်းကနေ ဖြစ်တယ်။ စာရှည်ကြီး ဖတ်ဖို့ အချိန်မရဘူး၊ လက်ကလည်း စတီယာရင်ပေါ်မှာ။ အဲဒီတုန်းက ဖုန်းကို စာဖတ်ခိုင်းလိုက်တာ၊ နားထောင်ရုံပဲ။ အရင်တုန်းက TTS အသံက စက်ရုပ်လို ထစ်ထစ်ငေါ့ငေါ့နဲ့ နားထောင်ရခက်တယ်။ အခုတော့ လူအသံနဲ့ တော်တော် နီးလာပြီ။ တခါတလေ အသံထွက်ဖတ်ပြနေတာက လူလား၊ စက်လားတောင် ခွဲရခက်တယ်။
TTS ကို ရေဒီယို ကြေညာသူနဲ့ နှိုင်းရင်
ရေဒီယိုမှာ သတင်းဖတ်တဲ့ ကြေညာသူကို စဉ်းစားကြည့်ပါ။ သူ့ရှေ့မှာ စာရွက်ရှိတယ်။ သူက စာကို အရင်ဖတ်တယ်၊ ပြီးမှ အသံထွက်တယ်။ အသံကို ဘယ်နေရာမှာ ရပ်ရမယ်၊ ဘယ်စကားလုံးကို ဖိပြောရမယ် ဆိုတာလည်း သူကိုယ်တိုင် သိတယ်။ TTS ကလည်း အဲဒီလိုပဲ အဆင့်ဆင့် လုပ်တာ။
ပထမဆုံး စာကို အပိုင်းပိုင်းခွဲတယ်။ စာကြောင်းကို စကားလုံးအလိုက်၊ ပြီးတော့ အသံထွက်အသေးစိတ်အလိုက် (Phoneme လို့ ခေါ်တယ်) ခွဲတယ်။ ဥပမာ “မင်္ဂလာပါ” ဆိုရင် မ + င် + ဂ + လာ + ပါ ဆိုပြီး အသံအစိတ်အပိုင်းလေးတွေ ဖြစ်သွားတယ်။
ပြီးတော့ အသံနေအထား (Prosody) ကို ဆုံးဖြတ်တယ်။ ဘယ်စကားလုံးကို လေးလေးပြောမလဲ၊ မေးခွန်းဆိုရင် အဆုံးမှာ အသံကို မြှင့်မလား၊ ဝမ်းနည်းတဲ့ စာဆိုရင် နှေးနှေးပြောမလား။ ဒီအချက်က အရင်က TTS ကို စက်ရုပ်လို ကြားရစေတဲ့ အဓိကအကြောင်းပဲ။ စာလုံးတွေကို မှန်အောင် ထွက်နိုင်ပေမယ့် အသံနေအထား မပါရင် နားထောင်ရတာ ပျင်းစရာကြီး ဖြစ်တယ်။
နောက်ဆုံးမှာ ဒီအချက်အလက်တွေကို တကယ့် အသံလှိုင်းအဖြစ် ပြောင်းတယ်။ အရင်က ဒီအဆင့်မှာ အသံအပိုင်းအစလေးတွေကို ဆက်စပ်ထားတာ (Concatenative) ဖြစ်တယ်။ အခု Neural TTS ခေတ်မှာတော့ AI Model က အသံကို အစအဆုံး ကိုယ်တိုင် ဖန်တီးပေးတာ။ WaveNet, Tacotron လို model တွေကြောင့် အသံက ပိုပြီး သဘာဝကျလာတယ်။
TTS က ဘယ်နေရာတွေမှာ သုံးနေလဲ?
စာဖတ်ရခက်သူတွေ၊ မျက်စိအားနည်းသူတွေ — စာအုပ်၊ သတင်း၊ Website ကို အသံနဲ့ နားထောင်လို့ရတယ်။ ဒါက TTS ရဲ့ အရေးအကြီးဆုံး အသုံးပဲ။
ကားမောင်းရင်း၊ လေ့ကျင့်ခန်းလုပ်ရင်း — လက်မအားတဲ့အချိန်မှာ စာကို နားနဲ့ “ဖတ်” လို့ရတယ်။
Audiobook နဲ့ Podcast — စာရေးဆရာတစ်ယောက်က စာအုပ်တစ်အုပ်လုံးကို လူငှားပြီး အသံသွင်းစရာ မလိုတော့ဘူး။ TTS နဲ့ အသံထွက်စာအုပ် ထုတ်လို့ရပြီ။
ဘာသာစကား သင်တာ — အင်္ဂလိပ်စကားလုံး တစ်လုံးကို ဘယ်လို အသံထွက်ရမလဲ မသိရင် TTS ကို ဖတ်ခိုင်းပြီး နားထောင်လို့ရတယ်။ Google Translate မှာ စပီကာ ခလုတ်လေး နှိပ်တာက TTS ပဲ။
Voice Assistant — Google Assistant, Siri တို့က သင့်ကို ပြန်ဖြေတဲ့အသံက TTS ပဲ။ မေးခွန်းကို နားလည်တာက Speech Recognition နဲ့ NLP၊ ပြန်ပြောတာက TTS။ နှစ်ခုတွဲမှ စကားပြောလို့ရတာ။
မြန်မာစာနဲ့ TTS ရဲ့ အခက်အခဲ
မြန်မာစာအတွက် TTS က အင်္ဂလိပ်စာလောက် မကောင်းသေးဘူး။ အကြောင်းရင်းက နှစ်ချက်။ တစ်ချက်က မြန်မာအသံထွက် နမူနာ (training data) နည်းတယ်။ AI ကို သင်ပေးဖို့ နာရီပေါင်းများစွာ အသံသွင်းထားတဲ့ data လိုတယ်။ မြန်မာစာအတွက် အဲဒီလို data က ရှားတယ်။ နောက်တစ်ချက်က မြန်မာစာရဲ့ အသံထွက်က စာလုံးပေါင်းနဲ့ အမြဲ မတိုက်ဆိုင်ဘူး။ “သင်္ကြန်” ကို စာလုံးအတိုင်း ဖတ်ရင် မှားတယ်။ အသံထွက်မှန်အောင် စည်းမျဉ်းတွေ အများကြီး ထည့်ပေးရတယ်။
ဒါပေမယ့် တိုးတက်လာနေတယ်။ Google ရဲ့ မြန်မာ TTS အသံက အရင်ကထက် အများကြီး ပိုကောင်းလာပြီ။ ကျွန်တော်တို့ ကိုယ်တိုင်လည်း မြန်မာ TTS project တွေမှာ ပါဝင်ပြီး အသံလှူလို့ရတယ်။ Data များလေ၊ အသံကောင်းလေပဲ။
သတိထားစရာ တစ်ခု
TTS အသံက လူအသံနဲ့ နီးလာလေလေ၊ အသံတု (Voice Cloning) အန္တရာယ် ကြီးလာလေလေပဲ။ တစ်ယောက်ယောက်ရဲ့ အသံကို စက္ကန့်အနည်းငယ်လောက် ရရင် အဲဒီလူအသံနဲ့ ဘာမဆို ပြောခိုင်းလို့ရနေပြီ။ “ငွေ အရေးပေါ် လွှဲပေးပါ” ဆိုပြီး မိဘအသံနဲ့ ဖုန်းဆက်တဲ့ လိမ်ညာမှုမျိုး ဖြစ်လာနိုင်တယ်။ ဒါကြောင့် အသံနဲ့ ငွေတောင်းလာရင် အသံတစ်ခုတည်းကို ယုံပြီး မလွှဲပါနဲ့။ တခြားနည်းနဲ့ ပြန်ဆက်သွယ်ပြီး အတည်ပြုပါ။
ကိုယ့်အတွက်ကတော့ TTS က စာဖတ်ချိန်ကို နားထောင်ချိန်အဖြစ် ပြောင်းပေးတဲ့ လက်ဆောင်ပဲ။ ကားပေါ်မှာ၊ မီးဖိုချောင်မှာ၊ အိပ်ရာထဲမှာ — မျက်လုံးမအားလည်း စာကို “ဖတ်” လို့ရပြီ။ သင် မသုံးဖူးသေးရင် ဒီနေ့ပဲ ဖုန်းထဲက စာတစ်ပုဒ်ကို အသံထွက်ဖတ်ခိုင်းကြည့်ပါ။ 🙂
