ចម្លើយខ្លី៖ ការបំលែងអត្ថបទទៅជាសំឡេងគឺជាភារកិច្ចនៃការប្រែក្លាយអត្ថបទដែលសរសេរទៅជាសំឡេងនិយាយ។ ថាតើវាជា "AI" ឬអត់គឺអាស្រ័យលើរបៀបដែលវាត្រូវបានបង្កើតឡើង។ សំឡេងទំនើប និងស្តាប់ទៅធម្មជាតិជាធម្មតាត្រូវបានបំពាក់ដោយគំរូរៀនរបស់ម៉ាស៊ីន ខណៈពេលដែលប្រព័ន្ធចាស់ៗអាចពឹងផ្អែកលើច្បាប់ ឬការថតសំឡេងដែលបានដេរភ្ជាប់។ ប្រសិនបើអ្នកត្រូវការភស្តុតាង សូមពិនិត្យមើលអ្វីដែល "ស្ថិតនៅក្រោមគម្រប" មិនមែនគ្រាន់តែរបៀបដែលវាស្តាប់ទៅនោះទេ។
ចំណុចសំខាន់ៗ៖
និយមន័យ៖ TTS គឺជាគោលដៅ; AI គឺជាវិធីសាស្រ្តមួយដែលអាចធ្វើទៅបានដើម្បីសម្រេចវា។
ការរកឃើញ៖ នៅពេលដែលពាក្យសំដី និងការផ្អាកមានអារម្មណ៍ធម្មជាតិ វាទំនងជាជំរុញដោយគំរូ។
លំហូរការងារ៖ ជ្រើសរើសពពកសម្រាប់មាត្រដ្ឋាន; ជ្រើសរើសក្នុងស្រុកសម្រាប់ភាពឯកជន និងការចំណាយដែលអាចព្យាករណ៍បាន។
ភាពងាយស្រួលចូលដំណើរការ៖ TTS ខ្លាំងអាស្រ័យលើរចនាសម្ព័ន្ធស្អាត៖ ចំណងជើង តំណភ្ជាប់ លំដាប់ អត្ថបទជំនួស។
ភាពធន់នឹងការប្រើប្រាស់ខុស៖ ផ្ទៀងផ្ទាត់សំណើសំឡេងមិនធម្មតាតាមរយៈឆានែលទីពីរ មិនមែនសំឡេងតែមួយមុខនោះទេ។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើ AI អាចអានអក្សរដៃដែលសរសេរដោយដៃបានទេ?
សមត្ថភាព AI ក្នុងការសម្គាល់ការសរសេរជាអក្សរដិត និងដែនកំណត់ទូទៅបានល្អប៉ុណ្ណា។.
🔗 តើ AI សព្វថ្ងៃនេះមានភាពត្រឹមត្រូវប៉ុណ្ណា?
អ្វីដែលប៉ះពាល់ដល់ភាពត្រឹមត្រូវនៃ AI នៅទូទាំងភារកិច្ច ទិន្នន័យ និងការប្រើប្រាស់ជាក់ស្តែង។.
🔗 តើ AI រកឃើញភាពមិនប្រក្រតីយ៉ាងដូចម្តេច?
ការពន្យល់សាមញ្ញអំពីការសម្គាល់លំនាំមិនធម្មតានៅក្នុងទិន្នន័យ។.
🔗 របៀបរៀន AI មួយជំហានម្តងៗ
ផ្លូវជាក់ស្តែងមួយដើម្បីចាប់ផ្តើមរៀន AI ពីដំបូង។.
ហេតុអ្វីបានជា "តើ AI អត្ថបទទៅជាការនិយាយ" មានអារម្មណ៍ច្របូកច្របល់តាំងពីដំបូង 🤔🧩
មនុស្សច្រើនតែដាក់ស្លាកអ្វីមួយថា "AI" នៅពេលដែលវាមានអារម្មណ៍ថា៖
-
សម្របខ្លួនបាន
-
បែបមនុស្ស
-
«វាធ្វើបែបនេះដោយរបៀបណា?»
ហើយ TTS សម័យទំនើបពិតជាអាចមានអារម្មណ៍បែបនោះ។ ប៉ុន្តែតាមប្រវត្តិសាស្ត្រ កុំព្យូទ័របាន "និយាយ" ដោយប្រើវិធីសាស្រ្តដែលខិតទៅជិត វិស្វកម្មឆ្លាតវៃ ជាងការរៀនសូត្រ។
នៅពេលដែលនរណាម្នាក់សួរ ថា តើ AI បំលែងអត្ថបទទៅជាសំឡេងជាពាក្យសំដី (Is Text to Speech AI)ជាអ្វីដែលពួកគេតែងតែចង់មានន័យគឺ៖
-
«តើវាត្រូវបានបង្កើតឡើងដោយគំរូរៀនរបស់ម៉ាស៊ីនមែនទេ?»
-
«តើវាបានរៀនស្តាប់ទៅដូចជាមនុស្សពីទិន្នន័យមែនទេ?»
-
«តើវាអាចដោះស្រាយឃ្លា និងការសង្កត់ធ្ងន់ដោយមិនស្តាប់ទៅដូចជា GPS ដែលមានថ្ងៃអាក្រក់បានទេ?»
សភាវគតិទាំងនោះគឺសមរម្យ។ មិនល្អឥតខ្ចោះទេ ប៉ុន្តែមានគោលបំណងត្រឹមត្រូវ។.
ចម្លើយរហ័ស៖ TTS ទំនើបភាគច្រើនគឺ AI - ប៉ុន្តែមិនមែនទាំងអស់ទេ ✅🔊
នេះជាកំណែជាក់ស្តែង មិនមែនទស្សនវិជ្ជា៖
-
TTS ចាស់/បុរាណ៖ ជារឿយៗ មិនមែន AI (ច្បាប់ + ដំណើរការសញ្ញា ឬការថតជាប់)
-
TTS ធម្មជាតិទំនើប៖ ជាធម្មតាផ្អែកលើ AI (បណ្តាញសរសៃប្រសាទ / ការរៀនម៉ាស៊ីន) [2]
«ការធ្វើតេស្តត្រចៀក» យ៉ាងរហ័ស (មិនមែនជារឿងត្រឹមត្រូវទេ ប៉ុន្តែល្អ)៖ ប្រសិនបើសំឡេងមាន
-
ការផ្អាកធម្មជាតិ
-
ការបញ្ចេញសំឡេងរលូន
-
ចង្វាក់ដែលស៊ីសង្វាក់គ្នា
-
ការសង្កត់ធ្ងន់ដែលត្រូវនឹងអត្ថន័យ
...វាប្រហែលជាផ្អែកលើគំរូ។ ប្រសិនបើវាស្តាប់ទៅដូចជាមនុស្សយន្តអានលក្ខខណ្ឌនៅក្នុងបន្ទប់ក្រោមដីដែលមានពន្លឺ fluorescent វាអាចជាវិធីសាស្រ្តចាស់ៗ (ឬការកំណត់ថវិកា... គ្មានការវិនិច្ឆ័យ)។.
ដូច្នេះ… តើការបម្លែងអត្ថបទទៅជាការនិយាយជាបច្ចេកវិទ្យា AI មែនទេ? បាទ/ចាស៎ នៅក្នុងផលិតផលទំនើបៗជាច្រើន ប៉ុន្តែ TTS ជាប្រភេទមួយ គឺធំជាង AI។
របៀបដែលអត្ថបទទៅជាការនិយាយដំណើរការ (ជាពាក្យសម្ដីរបស់មនុស្ស) ពីមនុស្សយន្តទៅជាភាពប្រាកដនិយម 🧠🗣️
ប្រព័ន្ធ TTS ភាគច្រើន - សាមញ្ញ ឬទំនើប - ធ្វើកំណែខ្លះនៃបំពង់បង្ហូរនេះ៖
-
ការដំណើរការអត្ថបទ (ហៅម្យ៉ាងទៀតថា “ធ្វើឱ្យអត្ថបទអាចនិយាយបាន”)
ពង្រីក “វេជ្ជបណ្ឌិត” ទៅជា “វេជ្ជបណ្ឌិត” ដោះស្រាយលេខ វណ្ណយុត្តិ អក្សរកាត់ និងព្យាយាមមិនឱ្យភ័យស្លន់ស្លោ។ -
ការវិភាគភាសាវិទ្យា
បំបែកអត្ថបទទៅជាប្លុកសំណង់សម្រាប់ការនិយាយ (ដូចជា សូរសព្ទឯកតាសំឡេងតូចៗដែលបែងចែកពាក្យ)។ នេះជាកន្លែងដែលពាក្យ “កំណត់ត្រា” (នាម) ទល់នឹង “កំណត់ត្រា” (កិរិយាសព្ទ) ក្លាយជារឿងល្ខោនអូប៉េរ៉ាទាំងមូល។ -
ការរៀបចំបទភ្លេង
ជ្រើសរើសពេលវេលា ការសង្កត់សំឡេង ការផ្អាក និងចលនាសំឡេង។ បទភ្លេងគឺជាភាពខុសគ្នារវាងពាក្យ «មនុស្ស» និង «ម៉ាស៊ីនអាំងនំប៉័ងសំឡេងតែមួយ»។ -
ការបង្កើតសំឡេង
បង្កើតរលកសំឡេងពិតប្រាកដ។
ភាពខុសគ្នាដ៏ធំបំផុតនៃ "AI ឬអត់" មានទំនោរលេចឡើងនៅក្នុង ការបង្កើតសំឡេង + ចង្វាក់ភ្លេង។ ប្រព័ន្ធទំនើបៗច្រើនតែទស្សន៍ទាយការតំណាងសូរស័ព្ទកម្រិតមធ្យម (ជាទូទៅគឺ mel-spectrograms) ហើយបន្ទាប់មកបំប្លែងវាទៅជាសំឡេងដោយប្រើ ឧបករណ៍បំពងសំឡេង (ហើយសព្វថ្ងៃនេះ ឧបករណ៍បំពងសំឡេងនោះច្រើនតែជាប្រព័ន្ធសរសៃប្រសាទ) [2]។
ប្រភេទសំខាន់ៗនៃ TTS (និងកន្លែងដែល AI លេចឡើងជាធម្មតា) 🧪🎙️
១) ការសំយោគផ្អែកលើច្បាប់ / ទម្រង់ (មនុស្សយន្តបុរាណ)
ការសំយោគបែបបុរាណប្រើច្បាប់ដែលផលិតដោយដៃ និងគំរូសូរស័ព្ទ។ វាអាចយល់បាន… ប៉ុន្តែជារឿយៗស្តាប់ទៅដូចជាមនុស្សភពក្រៅដ៏គួរសម។ 👽
វាមិន «អាក្រក់ជាងនេះទេ» វាគ្រាន់តែត្រូវបានធ្វើឱ្យប្រសើរសម្រាប់ការរឹតបន្តឹងផ្សេងៗគ្នា (ភាពសាមញ្ញ ភាពអាចទស្សន៍ទាយបាន ការគណនាឧបករណ៍តូច)។
2) ការសំយោគភ្ជាប់គ្នា (សំឡេង “កាត់ និងបិទភ្ជាប់”)
វាប្រើបំណែកសំឡេងដែលបានថតទុក ហើយភ្ជាប់វាជាមួយគ្នា។ វាអាចស្តាប់ទៅល្អ ប៉ុន្តែវាផុយស្រួយ៖
-
ឈ្មោះចម្លែកអាចបំបែកវាបាន
-
ចង្វាក់មិនធម្មតាអាចស្តាប់ទៅដូចជាញ័រៗ
-
ការផ្លាស់ប្តូររចនាប័ទ្មគឺពិបាក
៣) បច្ចេកវិទ្យាសរសៃប្រសាទ (Neural TTS) (ទំនើប ជំរុញដោយ AI)
ប្រព័ន្ធសរសៃប្រសាទរៀនលំនាំពីទិន្នន័យ ហើយបង្កើតការនិយាយដែលរលូន និងអាចបត់បែនបានជាងមុន - ជាញឹកញាប់ដោយប្រើលំហូរ mel-spectrogram → vocoder ដែលបានរៀបរាប់ខាងលើ [2]។ ជាធម្មតា នេះជាអ្វីដែលមនុស្សចង់មានន័យដោយពាក្យថា "សំឡេង AI"។
អ្វីដែលធ្វើឱ្យប្រព័ន្ធ TTS ល្អ (ក្រៅពី "អស្ចារ្យ វាស្តាប់ទៅដូចជាពិត") 🎯🔈
ប្រសិនបើអ្នកធ្លាប់សាកល្បងសំឡេង TTS ដោយបញ្ចូលអ្វីមួយដូចជា៖
«ខ្ញុំមិនបាននិយាយថាអ្នកបានលួចលុយនោះទេ»
...ហើយបន្ទាប់មកស្តាប់ពីរបៀបដែលការសង្កត់ធ្ងន់ផ្លាស់ប្តូរអត្ថន័យ... អ្នកបានជួបប្រទះនឹងការធ្វើតេស្តគុណភាពពិតប្រាកដរួចហើយ៖ តើវាចាប់យកចេតនាមិនមែនគ្រាន់តែការបញ្ចេញសំឡេងទេ?
ការរៀបចំ TTS ដ៏ល្អមួយ ទំនងជាធ្វើឲ្យបានល្អ៖
-
ភាពច្បាស់លាស់៖ ព្យញ្ជនៈច្បាស់លាស់ គ្មានព្យាង្គទន់ៗ
-
សំនួនវោហារ៖ ការសង្កត់ធ្ងន់ និងល្បឿនដែលត្រូវនឹងអត្ថន័យ
-
ស្ថេរភាព៖ វាមិន "ប្តូរបុគ្គលិកលក្ខណៈ" ដោយចៃដន្យនៅកណ្តាលកថាខណ្ឌទេ
-
ការគ្រប់គ្រងការបញ្ចេញសំឡេង៖ ឈ្មោះ អក្សរកាត់ ពាក្យវេជ្ជសាស្ត្រ ពាក្យម៉ាក
-
ភាពយឺតយ៉ាវ៖ ប្រសិនបើវាជាអន្តរកម្ម ការបង្កើតយឺតមានអារម្មណ៍ថាខូច
-
ការគាំទ្រ SSML (ប្រសិនបើអ្នកជាអ្នកជំនាញផ្នែកបច្ចេកទេស): ការណែនាំសម្រាប់ការផ្អាក ការសង្កត់ធ្ងន់ និងការបញ្ចេញសំឡេង [1]
-
អាជ្ញាប័ណ្ណ និងសិទ្ធិប្រើប្រាស់៖ គួរឱ្យធុញទ្រាន់ ប៉ុន្តែមានហានិភ័យខ្ពស់
TTS ល្អមិនមែនគ្រាន់តែជា "សំឡេងស្អាត" នោះទេ។ វាជា សំឡេងដែលអាចប្រើប្រាស់បាន។ ដូចជាស្បែកជើងជាដើម។ ខ្លះមើលទៅអស្ចារ្យ ខ្លះល្អសម្រាប់ដើរ ហើយខ្លះទៀតល្អទាំងពីរ (សេះសដ៏កម្រ)។ 🦄
តារាងប្រៀបធៀបរហ័ស៖ “ផ្លូវ” TTS (ដោយគ្មានរន្ធទន្សាយកំណត់តម្លៃ) 📊😅
តម្លៃប្រែប្រួល។ ម៉ាស៊ីនគិតលេខក៏ប្រែប្រួល។ ហើយច្បាប់ “កម្រិតឥតគិតថ្លៃ” ពេលខ្លះត្រូវបានសរសេរដូចជាប្រស្នាដែលរុំក្នុងសៀវភៅបញ្ជី។.
ដូច្នេះជំនួសឱ្យការធ្វើពុតជាតួលេខនឹងមិនផ្លាស់ប្តូរនៅសប្តាហ៍ក្រោយ នេះគឺជាទស្សនៈដែលប្រើប្រាស់បានយូរជាងនេះ៖
| ផ្លូវ | ល្អបំផុតសម្រាប់ | គំរូថ្លៃដើម (ធម្មតា) | ឧទាហរណ៍ (មិនពេញលេញ) |
|---|---|---|---|
| API TTS លើ Cloud | ផលិតផលក្នុងទ្រង់ទ្រាយធំ ភាសាច្រើន ភាពជឿជាក់ | ជារឿយៗត្រូវបានវាស់វែងដោយបរិមាណអត្ថបទ និងកម្រិតសំឡេង (ឧទាហរណ៍ ការកំណត់តម្លៃក្នុងមួយតួអក្សរគឺជារឿងធម្មតា) [3] | Google Cloud TTS, Amazon Polly, Azure Speech |
| TTS សរសៃប្រសាទក្នុងស្រុក / ក្រៅបណ្តាញ | លំហូរការងារដែលផ្តោតលើភាពឯកជនជាមុន ការប្រើប្រាស់ក្រៅបណ្តាញ ការចំណាយដែលអាចព្យាករណ៍បាន | គ្មានវិក្កយបត្រសម្រាប់តួអក្សរនីមួយៗទេ; អ្នក "បង់ប្រាក់" ក្នុងការគណនា និងពេលវេលាដំឡើង [4] | Piper, ជង់ដែលបង្ហោះដោយខ្លួនឯងផ្សេងទៀត |
| ការរៀបចំបែបចម្រុះ | កម្មវិធីដែលត្រូវការជម្រើសបម្រុងទុកក្រៅបណ្តាញ + គុណភាពពពក | លាយបញ្ចូលគ្នាទាំងពីរ | ពពក + បម្រុងក្នុងស្រុក |
(ប្រសិនបើអ្នកកំពុងជ្រើសរើសផ្លូវមួយ៖ អ្នកមិនកំពុងជ្រើសរើស "សំឡេងដ៏ល្អបំផុត" ទេ អ្នកកំពុងជ្រើសរើស លំហូរការងារ។ នោះជាផ្នែកដែលមនុស្សមើលស្រាល។)
អ្វីដែល "AI" ពិតជាមានន័យនៅក្នុង TTS សម័យទំនើប 🧠✨
នៅពេលដែលមនុស្សនិយាយថា TTS គឺជា "AI" ជាធម្មតាពួកគេមានន័យថាប្រព័ន្ធប្រើប្រាស់ការរៀនរបស់ម៉ាស៊ីនដើម្បីធ្វើមួយ ឬច្រើនក្នុងចំណោមទាំងនេះ៖
-
ព្យាករណ៍រយៈពេល (រយៈពេលដែលសំឡេងមាន)
-
ព្យាករណ៍ពីលំនាំសំឡេង/កម្ពស់សំឡេង
-
បង្កើតលក្ខណៈពិសេសសូរស័ព្ទ (ជាញឹកញាប់ mel-spectrograms)
-
បង្កើតសំឡេងតាមរយៈឧបករណ៍បំពងសំឡេង (ជាញឹកញាប់ជាប្រព័ន្ធសរសៃប្រសាទ)
-
ពេលខ្លះធ្វើវាក្នុងដំណាក់កាលតិចជាងមុន (ច្រើនជាងពីដើមដល់ចប់) [2]
ចំណុចសំខាន់៖ AI TTS មិនមែនកំពុងអានអក្សរឮៗទេ។ វាកំពុងធ្វើគំរូនៃគំរូនៃការនិយាយបានល្អគ្រប់គ្រាន់ដើម្បីស្តាប់ទៅដូចជាចេតនា។
ហេតុអ្វីបានជា TTS មួយចំនួននៅតែមិនមែនជា AI - ហើយហេតុអ្វីបានជាវាមិន "អាក្រក់" 🛠️🙂
TTS មិនមែន AI នៅតែអាចជាជម្រើសត្រឹមត្រូវនៅពេលដែលអ្នកត្រូវការ៖
-
ការបញ្ចេញសំឡេងដែលស៊ីសង្វាក់គ្នា និងអាចព្យាករណ៍បាន
-
តម្រូវការគណនាទាបខ្លាំង
-
មុខងារក្រៅបណ្តាញនៅលើឧបករណ៍តូចៗ
-
សោភ័ណភាព "សំឡេងមនុស្សយន្ត" (មែនហើយ វាជារឿងមួយ)
ដូចគ្នានេះដែរ៖ «សំឡេងភាគច្រើនដូចមនុស្ស» មិនតែងតែ «ល្អបំផុត» ទេ។ ចំពោះលក្ខណៈពិសេសនៃភាពងាយស្រួលចូលប្រើប្រាស់ ភាពច្បាស់លាស់ និងភាពស៊ីសង្វាក់គ្នា ជារឿយៗឈ្នះលើការសម្ដែងដ៏អស្ចារ្យ។
ភាពងាយស្រួលគឺជាហេតុផលមួយក្នុងចំណោមហេតុផលល្អបំផុតដែល TTS មាន ♿🔊
ផ្នែកនេះសមនឹងទទួលបានការចាប់អារម្មណ៍ផ្ទាល់ខ្លួន។ អំណាច TTS៖
-
កម្មវិធីអានអេក្រង់សម្រាប់អ្នកប្រើប្រាស់ពិការភ្នែក និងខ្សោយភ្នែក
-
ការគាំទ្រការអានសម្រាប់ជំងឺឌីស្លេកស៊ី និងភាពងាយស្រួលនៃការយល់ដឹង
-
បរិបទដែលដៃរវល់ (ចម្អិនអាហារ ធ្វើដំណើរទៅធ្វើការ ចិញ្ចឹមកូន ជួសជុលខ្សែសង្វាក់កង់... អ្នកដឹងទេ) 🚲
ហើយនេះជាការពិតដ៏លាក់កំបាំង៖ សូម្បីតែ TTS ដ៏ល្អឥតខ្ចោះក៏មិនអាចរក្សាទុកខ្លឹមសារដែលគ្មានសណ្តាប់ធ្នាប់បានដែរ។.
បទពិសោធន៍ល្អអាស្រ័យលើរចនាសម្ព័ន្ធ៖
-
ចំណងជើងពិតប្រាកដ (មិនមែន "អក្សរដិតធំៗដែលធ្វើពុតជាចំណងជើង")
-
អត្ថបទតំណភ្ជាប់ដែលមានអត្ថន័យ (មិនមែន "ចុចទីនេះ")
-
លំដាប់អានសមហេតុផល
-
អត្ថបទជំនួសពិពណ៌នា
រចនាសម្ព័ន្ធដែលច្របូកច្របល់ដែលអានដោយសំឡេង AI លំដាប់ខ្ពស់នៅតែច្របូកច្របល់។ ទើបតែ... បានរៀបរាប់។.
ក្រមសីលធម៌ ការក្លូនសំឡេង និងបញ្ហា "រង់ចាំ - តើនោះពិតជាពួកគេមែនទេ?" 😬📵
បច្ចេកវិទ្យានិយាយទំនើបមានការប្រើប្រាស់ស្របច្បាប់។ វាក៏បង្កើតហានិភ័យថ្មីៗផងដែរ ជាពិសេសនៅពេលដែលសំឡេងសំយោគត្រូវបានប្រើដើម្បី ធ្វើត្រាប់តាម មនុស្ស។
ភ្នាក់ងារការពារអ្នកប្រើប្រាស់បានព្រមានយ៉ាងច្បាស់ថា អ្នកបោកប្រាស់អាចប្រើប្រាស់ការក្លូនសំឡេង AI ក្នុងគម្រោង "គ្រាអាសន្នគ្រួសារ" ហើយណែនាំ ឱ្យផ្ទៀងផ្ទាត់តាមរយៈបណ្តាញដែលគួរឱ្យទុកចិត្តជាជាងការទុកចិត្តលើសំឡេង [5]។
ទម្លាប់ជាក់ស្តែងដែលជួយ (មិនមែនភ័យខ្លាចទេ គ្រាន់តែ... 2025):
-
ផ្ទៀងផ្ទាត់សំណើមិនធម្មតា តាមរយៈឆានែលទីពីរ
-
កំណត់ពាក្យសម្ងាត់គ្រួសារ សម្រាប់គ្រាអាសន្ន
-
ចាត់ទុក «សំឡេងដែលធ្លាប់ស្គាល់» ថា លែងជាភស្តុតាង ទៀតហើយ (រំខាន ប៉ុន្តែពិត)
ហើយប្រសិនបើអ្នកបោះពុម្ពផ្សាយសំឡេងដែលបង្កើតដោយ AI៖ ការបង្ហាញព័ត៌មានជារឿយៗជាគំនិតល្អ ទោះបីជាអ្នកមិនត្រូវបានបង្ខំដោយផ្លូវច្បាប់ក៏ដោយ។ មនុស្សមិនចូលចិត្តការត្រូវបានគេបោកបញ្ឆោតទេ។ ពួកគេមិនចូលចិត្តវាទេ។.
របៀបជ្រើសរើសវិធីសាស្រ្ត TTS ដោយមិនចាំបាច់វិលវល់ 🧭😄
ផ្លូវសម្រេចចិត្តសាមញ្ញមួយ៖
ជ្រើសរើស Cloud TTS ប្រសិនបើអ្នកចង់បាន៖
-
ការដំឡើង និងការធ្វើមាត្រដ្ឋានរហ័ស
-
ភាសា និងសំឡេងជាច្រើន
-
ការត្រួតពិនិត្យ + ភាពជឿជាក់
-
គំរូរួមបញ្ចូលគ្នាសាមញ្ញ
ជ្រើសរើសក្នុងស្រុក/ក្រៅបណ្តាញប្រសិនបើអ្នកចង់បាន៖
-
ការប្រើប្រាស់ក្រៅបណ្តាញ
-
លំហូរការងារដែលផ្តោតលើភាពឯកជនជាចម្បង
-
ការចំណាយដែលអាចព្យាករណ៍បាន
-
ការគ្រប់គ្រងពេញលេញ (ហើយអ្នកមិនអីទេជាមួយនឹងការកែច្នៃ)
មួយវិញទៀត ការពិតតូចមួយគឺថា ឧបករណ៍ដ៏ល្អបំផុតជាធម្មតាគឺជាឧបករណ៍ដែលសមនឹងលំហូរការងាររបស់អ្នក។ មិនមែនជាឧបករណ៍ដែលមានឈុតបង្ហាញដ៏អស្ចារ្យបំផុតនោះទេ។.
សរុបមក៖ តើអត្ថបទទៅជាការនិយាយជា AI មែនទេ? 🧾✨
-
ការបំលែងអត្ថបទទៅជាការនិយាយគឺជាភារកិច្ច៖ បំលែងអត្ថបទដែលសរសេរទៅជាសំឡេងនិយាយ។
-
បញ្ញាសិប្បនិម្មិត (AI) គឺជាវិធីសាស្ត្រទូទៅមួយ ដែលប្រើក្នុង TTS សម័យទំនើប ជាពិសេសសម្រាប់សំឡេងប្រាកដនិយម។
-
សំណួរនេះពិបាកណាស់ ពីព្រោះ TTS អាចត្រូវបានបង្កើតឡើងដោយប្រើ AI ឬគ្មានវា។
-
ជ្រើសរើសដោយផ្អែកលើអ្វីដែលអ្នកត្រូវការ៖ ភាពច្បាស់លាស់ ការគ្រប់គ្រង ភាពយឺតយ៉ាវ ភាពឯកជន ការផ្តល់អាជ្ញាប័ណ្ណ... មិនមែនគ្រាន់តែ "អស្ចារ្យ វាស្តាប់ទៅដូចជាមនុស្ស" នោះទេ។
-
ហើយនៅពេលដែលវាសំខាន់៖ សូមផ្ទៀងផ្ទាត់សំណើដែលមានមូលដ្ឋានលើសំឡេង និងបង្ហាញសំឡេងសំយោគឱ្យបានត្រឹមត្រូវ។ ទំនុកចិត្តពិបាករកបាន ហើយងាយស្រួលក្នុងការបញ្ឆេះ។
ឧទាហរណ៍ក្នុងពិភពពិត៖ ការបង្កើតដំណើរការការងារ TTS សម្រាប់វគ្គសិក្សាតាមអ៊ីនធឺណិត
សេណារីយ៉ូ
ស្រមៃមើលអ្នកបង្កើតវគ្គសិក្សាអនឡាញតូចមួយដែលចង់ប្រែក្លាយកំណត់ចំណាំមេរៀនដែលសរសេរទៅជាកំណែអូឌីយ៉ូខ្លីៗសម្រាប់សិស្សដែលចូលចិត្តស្តាប់ពេលធ្វើដំណើរ ឬកំពុងកែសម្រួល។ នេះគឺជាការរៀបចំប្រឌិត ប៉ុន្តែប្រាកដនិយម៖ អ្នកបង្កើតម្នាក់ មេរៀនចំនួន 20 ដែលមេរៀននីមួយៗមានប្រហែល 1,200 ពាក្យ ត្រូវបានបោះពុម្ពផ្សាយនៅលើគេហទំព័រសិក្សាសម្រាប់សមាជិកតែប៉ុណ្ណោះ។.
គោលដៅគឺមិនមែនដើម្បី «ចម្លង» សំឡេងរបស់គ្រូ ឬធ្វើពុតជាសំឡេងនោះជាការថតផ្ទាល់នោះទេ។ គោលដៅគឺសាមញ្ញ៖ ការនិទានរឿងមេរៀនដែលច្បាស់លាស់ និងស៊ីសង្វាក់គ្នា ដែលធ្វើតាមរចនាសម្ព័ន្ធដែលបានសរសេរ បញ្ចេញសំឡេងពាក្យគន្លឹះបានត្រឹមត្រូវ និងអាចត្រូវបានត្រួតពិនិត្យមុនពេលបោះពុម្ពផ្សាយ។.
ដោយសារតែអត្ថបទបានពន្យល់រួចហើយអំពីជម្រើសពពកទល់នឹងជម្រើសក្នុងស្រុក ឧទាហរណ៍នេះប្រើវិធីសាស្រ្តចម្រុះ៖ TTS ពពកសម្រាប់សំឡេងសាធារណៈចុងក្រោយ និង TTS ក្នុងស្រុក/ក្រៅបណ្តាញសម្រាប់សេចក្តីព្រាងឯកជន ដែលអ្នកបង្កើតនៅតែកំពុងកែសម្រួលសម្ភារៈមេរៀនដ៏រសើប។.
អ្វីដែលដំណើរការការងារត្រូវការ
-
អត្ថបទមេរៀនស្អាតបាតជាមួយនឹងចំណងជើងត្រឹមត្រូវ ចំណុចសំខាន់ៗ និងកថាខណ្ឌខ្លីៗ
-
បញ្ជីបញ្ចេញសំឡេងសម្រាប់ឈ្មោះ អក្សរកាត់ និងពាក្យបច្ចេកទេស
-
កំណត់ចំណាំបង្ហាញព័ត៌មាន ដូចជា៖ “កំណែអូឌីយ៉ូដែលបង្កើតជាមួយការបំលែងអត្ថបទទៅជាសំឡេង និងត្រូវបានពិនិត្យមុនពេលបោះពុម្ពផ្សាយ”
-
បញ្ជីត្រួតពិនិត្យសាមញ្ញមួយសម្រាប់ភាពច្បាស់លាស់ ការបញ្ចេញសំឡេង ល្បឿន និងផ្នែកដែលបាត់
-
ការគ្រប់គ្រងរចនាប័ទ្ម SSML ជាជម្រើស ប្រសិនបើឧបករណ៍ដែលបានជ្រើសរើសគាំទ្រការផ្អាក ការសង្កត់ធ្ងន់ ឬការណែនាំអំពីការបញ្ចេញសំឡេង
-
ជំហានមួយដែលមនុស្សយល់ព្រមមុនពេលសំឡេងចាក់ផ្សាយផ្ទាល់
ឧទាហរណ៍នៃការណែនាំ
សូមប្រើការណែនាំនេះនៅពេលរៀបចំមេរៀននីមួយៗសម្រាប់ TTS៖
បំលែងមេរៀននេះទៅជាស្គ្រីបអត្ថបទទៅជាការនិយាយសម្រាប់ការនិទានរឿងអប់រំច្បាស់លាស់។ រក្សាអត្ថន័យឱ្យនៅដដែល ប៉ុន្តែធ្វើឱ្យពាក្យពេចន៍ងាយស្រួលស្តាប់ឮៗ។ បំបែកប្រយោគវែងៗទៅជាប្រយោគខ្លីៗ។ សម្គាល់កន្លែងដែលការផ្អាកខ្លីៗគួរតែកើតឡើងបន្ទាប់ពីចំណងជើងផ្នែក។ សម្គាល់ពាក្យណាមួយដែលអាចត្រូវការពិនិត្យឡើងវិញនូវការបញ្ចេញសំឡេង ជាពិសេសឈ្មោះ អក្សរកាត់ ពាក្យបច្ចេកទេស ឬឈ្មោះម៉ាក។ កុំបន្ថែមការពិតថ្មី។ នៅចុងបញ្ចប់ សូមរួមបញ្ចូលបញ្ជីត្រួតពិនិត្យខ្លីៗនៃធាតុដែលមនុស្សគួរស្តាប់មុនពេលបោះពុម្ពផ្សាយ។.
របៀបសាកល្បងវា
មុននឹងបង្កើតមេរៀនទាំង ២០ សូមសាកល្បងស្គ្រីបគំរូចំនួនបី៖
-
មេរៀនសាមញ្ញមួយជាមួយភាសាច្បាស់លាស់
-
មេរៀនបច្ចេកទេសមួយជាមួយអក្សរកាត់ និងពាក្យមិនធម្មតា
-
មេរៀនមួយដែលមានបញ្ជី ចំណងជើង និងតំណភ្ជាប់ ដែលអាចស្តាប់ទៅឆ្គងនៅពេលអានឮៗ
សម្រាប់ការធ្វើតេស្តនីមួយៗ សូមស្តាប់ម្តងដោយមិនចាំបាច់អានអត្ថបទ បន្ទាប់មកស្តាប់ម្តងទៀតពេលកំពុងធ្វើតាមមេរៀនដែលបានសរសេរ។ ម៉ាកុស៖
-
ពាក្យដែលបញ្ចេញសំឡេងខុស
-
ប្រយោគវែងពេកមិនអាចស្តាប់បាន
-
ចំណងជើងដែលស្តាប់ទៅមិនសូវច្បាស់លាស់គ្រប់គ្រាន់
-
ការផ្អាកដែលបាត់
-
កន្លែងណាដែលសំឡេងស្តាប់ទៅដូចជាខ្លាំងពេក រាបស្មើពេក ឬបំភាន់
ទិន្នផលល្អស្តាប់ទៅដូចជាអ្នកនិទានរឿងច្បាស់លាស់ម្នាក់ដែលណែនាំសិស្សតាមរយៈមេរៀន។ ទិន្នផលមិនល្អស្តាប់ទៅដូចជានរណាម្នាក់កំពុងអានគេហទំព័រដោយមិនបានកត់សម្គាល់កន្លែងដែលផ្នែក ឧទាហរណ៍ និងការព្រមានចាប់ផ្តើម ឬបញ្ចប់។.
លទ្ធផល
លទ្ធផលជាឧទាហរណ៍៖ ផ្អែកលើពេលវេលាសម្រាប់មេរៀនគំរូចំនួនបីមុន និងក្រោយពេលប្រើប្រាស់លំហូរការងារនេះ។.
មុនពេលដំណើរការការងារ ការរៀបចំមេរៀនអូឌីយ៉ូដែលមានពាក្យចំនួន 1,200 ពាក្យចំណាយពេលប្រហែល 55 នាទី៖ 20 នាទីដើម្បីសម្អាតអត្ថបទ 15 នាទីដើម្បីជួសជុលឃ្លាដែលឆ្គង 10 នាទីដើម្បីបង្កើតសំឡេងឡើងវិញ និង 10 នាទីដើម្បីពិនិត្យមើលការបញ្ចេញសំឡេង។.
បន្ទាប់ពីបង្កើតស្គ្រីប TTS ដែលអាចប្រើឡើងវិញបាន និងបញ្ជីត្រួតពិនិត្យការបញ្ចេញសំឡេង កិច្ចការដូចគ្នានេះចំណាយពេលប្រហែល 25 នាទីក្នុងមួយមេរៀន៖ 8 នាទីដើម្បីរៀបចំស្គ្រីប 7 នាទីដើម្បីបង្កើតសំឡេង និង 10 នាទីសម្រាប់ការពិនិត្យឡើងវិញដោយមនុស្ស។.
នៅទូទាំងមេរៀនចំនួន 20 នោះនឹងកាត់បន្ថយពេលវេលាផលិតពីប្រហែល 18 ម៉ោងមកត្រឹមប្រហែល 8 ម៉ោង 20 នាទី ដែលប៉ាន់ស្មានថានឹងសន្សំបាន 9 ម៉ោង 40 នាទី។ អ្នកបង្កើតអាចផ្ទៀងផ្ទាត់រឿងនេះដោយកំណត់ពេលវេលាសម្រាប់មេរៀននីមួយៗ រាប់ការកែតម្រូវការបញ្ចេញសំឡេង និងតាមដានចំនួនឯកសារអូឌីយ៉ូដែលត្រូវបង្កើតឡើងវិញមុនពេលការអនុម័ត។.
អ្វីដែលអាចខុសបាន
កំហុសទូទៅបំផុតគឺការចាត់ទុកសំឡេងប្រាកដនិយមថាត្រឹមត្រូវដោយធម្មជាតិ។ សំឡេងធម្មជាតិនៅតែអាចអានឈ្មោះខុស រំលងបរិបទ សង្កត់ធ្ងន់លើសលប់លើឃ្លាខុស ឬធ្វើឱ្យការពន្យល់បច្ចេកទេសពិបាកធ្វើតាម។.
ភាពឯកជនគឺជាហានិភ័យមួយទៀត។ មេរៀនព្រាង ឧទាហរណ៍របស់សិស្ស ឬសម្ភារៈវគ្គសិក្សាដែលបានបង់ប្រាក់មិនគួរត្រូវបានផ្ញើទៅឧបករណ៍ពពកទេ លុះត្រាតែអ្នកបង្កើតបានពិនិត្យមើលទិន្នន័យ និងលក្ខខណ្ឌរក្សាទុករបស់ឧបករណ៍។ សម្រាប់សេចក្តីព្រាងដែលងាយរងគ្រោះ TTS ក្នុងស្រុកអាចមានសុវត្ថិភាពជាង ទោះបីជាសំឡេងចុងក្រោយមិនសូវល្អិតល្អន់ក៏ដោយ។.
ក៏មានបញ្ហាទំនុកចិត្តផងដែរ។ ប្រសិនបើវគ្គសិក្សាប្រើការនិទានរឿងសំយោគ សិស្សមិនគួរត្រូវបាននាំឱ្យជឿថាវាជាការថតសំឡេងរបស់មនុស្សផ្ទាល់នោះទេ។ ការបង្ហាញព័ត៌មានខ្លីមួយធ្វើឱ្យការរំពឹងទុកច្បាស់លាស់។.
សម្ភារៈសិក្សាជាក់ស្តែង
លំហូរការងារ TTS ដ៏ល្អមួយមិនមែនគ្រាន់តែជា "បិទភ្ជាប់អត្ថបទ ទទួលបានសំឡេង" នោះទេ។ កំណែដែលរឹងមាំជាងនេះរួមមានរចនាសម្ព័ន្ធស្អាត ការគ្រប់គ្រងការបញ្ចេញសំឡេង ការពិនិត្យឡើងវិញដោយមនុស្ស និងការត្រួតពិនិត្យគុណភាពដែលអាចវាស់វែងបាន។ នោះគឺជាភាពខុសគ្នារវាងសំឡេងដែលបង្កើតដោយ AI ដែលមានអារម្មណ៍ថាមានប្រយោជន៍ និងសំឡេងដែលបង្កើតដោយ AI ដែលស្តាប់ទៅគួរឱ្យចាប់អារម្មណ៍សម្រាប់រយៈពេល 10 វិនាទីដំបូង។.
សំណួរដែលសួរញឹកញាប់
តើអត្ថបទទៅការនិយាយជា AI ឬវាគ្រាន់តែជាកម្មវិធីធម្មតា?
ការបំប្លែងអត្ថបទទៅជាសំឡេង (TTS) គឺជាគោលដៅ៖ ប្រែក្លាយអត្ថបទដែលសរសេរទៅជាសំឡេងនិយាយ។ ថាតើវាជា "AI" ដែរឬទេ គឺអាស្រ័យលើវិធីសាស្ត្រដែលប្រើនៅក្រោមគម្រប។ ប្រព័ន្ធចាស់ៗអាចផ្អែកលើច្បាប់ ឬភ្ជាប់បំណែកដែលបានថតចូលគ្នា ខណៈពេលដែលសំឡេងធម្មជាតិទំនើបជាធម្មតាត្រូវបានជំរុញដោយការរៀនដោយម៉ាស៊ីន។ ប្រសិនបើអ្នកត្រូវការភាពប្រាកដប្រជា សូមផ្តោតលើបច្ចេកវិទ្យាដែលប្រើជាជាងវិនិច្ឆ័យដោយសំឡេងតែប៉ុណ្ណោះ។.
នៅពេលដែលមនុស្សសួរថា "តើ AI បំលែងអត្ថបទទៅជាការនិយាយជាសំឡេងឬ?" តើពួកគេពិតជាកំពុងសួរអ្វី?
ភាគច្រើនពួកគេសួរថា "តើវាត្រូវបានបង្កើតឡើងដោយគំរូរៀនម៉ាស៊ីនដែរឬទេ?" ឬ "តើវាបានរៀនស្តាប់ទៅដូចជាមនុស្សពីទិន្នន័យដែរឬទេ?" នោះហើយជាមូលហេតុដែលសំណួរអាចមានអារម្មណ៍រអិល៖ TTS គឺជាប្រភេទមួយ មិនមែនជាបច្ចេកទេសតែមួយនោះទេ។ នៅក្នុងផលិតផលទំនើបជាច្រើន សំឡេងធម្មជាតិបំផុតគឺផ្អែកលើ AI ប៉ុន្តែនៅតែមានវិធីសាស្រ្តមិនមែន AI ដែលនៅតែអាចទុកចិត្តបាន និងជាក់ស្តែង។.
តើខ្ញុំអាចដឹងដោយរបៀបណាថាសំឡេង TTS ត្រូវបានបង្កើតឡើងដោយ AI ដោយគ្រាន់តែស្តាប់?
«ការធ្វើតេស្តត្រចៀក» អាចជួយបាន ប៉ុន្តែវាមិនមែនជារឿងធម្មតានោះទេ។ ប្រសិនបើសំឡេងមានការផ្អាកធម្មជាតិ ចង្វាក់រលូន និងការសង្កត់ធ្ងន់ដែលតាមដានអត្ថន័យ វាទំនងជាផ្អែកលើគំរូ។ ប្រសិនបើវាស្តាប់ទៅរាបស្មើ បែងចែកយ៉ាងតឹងរ៉ឹង ឬជំពប់ដួលលើឃ្លា វាអាចជាវិធីសាស្ត្រសំយោគចាស់ៗ ឬការកំណត់គុណភាពទាប។ ការបញ្ជាក់ដ៏ល្អបំផុតនៅតែត្រូវពិនិត្យមើលវិធីសាស្រ្តដែលបានកត់ត្រាទុករបស់ប្រព័ន្ធ។.
តើការអានអត្ថបទទៅជាការនិយាយដោយបញ្ញាសិប្បនិម្មិត (AI) ទំនើបដំណើរការយ៉ាងដូចម្តេច?
ប្រព័ន្ធភាគច្រើនធ្វើតាមបំពង់មួយ៖ ធ្វើឱ្យអត្ថបទអាចនិយាយបាន វិភាគឯកតានៃការបញ្ចេញសំឡេង រៀបចំផែនការអក្សរសាស្ត្រ បន្ទាប់មកបង្កើតសំឡេង។ ការបែងចែកដ៏ធំបំផុតនៃ "AI ទល់នឹងមិនមែន" ជារឿយៗបង្ហាញនៅក្នុងការរៀបចំអក្សរសាស្ត្រ និងការបង្កើតសំឡេង។ ប្រព័ន្ធទំនើបជាច្រើនព្យាករណ៍ពីលក្ខណៈពិសេសសូរស័ព្ទកម្រិតមធ្យម (ជាញឹកញាប់ mel-spectrograms) ហើយបន្ទាប់មកបំប្លែងវាទៅជាសំឡេងដោយប្រើឧបករណ៍សំឡេង។ នៅក្នុងការរៀបចំជាច្រើននាពេលបច្ចុប្បន្ននេះ ឧបករណ៍សំឡេងនោះគឺមានលក្ខណៈសរសៃប្រសាទ។.
តើខ្ញុំគួរប្រើ cloud TTS ឬដំណើរការ TTS នៅក្នុងស្រុកសម្រាប់គម្រោងរបស់ខ្ញុំ?
ជ្រើសរើស Cloud នៅពេលអ្នកចង់បានការដំឡើងរហ័ស ការធ្វើមាត្រដ្ឋានងាយស្រួល ម៉ឺនុយសំឡេង និងភាសាធំទូលាយ និងគំរូភាពជឿជាក់ដែលមានស្ថេរភាព។ Cloud APIs ជារឿយៗត្រូវបានវាស់វែងដោយបរិមាណអត្ថបទ និងកម្រិតសំឡេង ដូច្នេះថ្លៃដើមអាចកើនឡើងជាមួយនឹងការប្រើប្រាស់។ ជ្រើសរើស TTS ប្រព័ន្ធសរសៃប្រសាទក្នុងស្រុក/ក្រៅបណ្តាញ នៅពេលដែលភាពឯកជន ប្រតិបត្តិការក្រៅបណ្តាញ និងការចំណាយដែលអាចព្យាករណ៍បានមានសារៈសំខាន់ជាងភាពងាយស្រួលនៃការប្រើប្រាស់ Plug-and-play។ វិធីសាស្រ្តកូនកាត់អាចផ្តល់ឱ្យអ្នកនូវគុណភាព Cloud ជាមួយនឹងជម្រើសជំនួសក្រៅបណ្តាញ។.
តើវិធីល្អបំផុតដើម្បីធ្វើឱ្យ TTS ដំណើរការបានល្អសម្រាប់ភាពងាយស្រួលនៅលើគេហទំព័រ ឬឯកសារគឺជាអ្វី?
TTS ដ៏រឹងមាំអាស្រ័យលើរចនាសម្ព័ន្ធស្អាត មិនមែនគ្រាន់តែជាសំឡេង "បុព្វលាភ" នោះទេ។ ប្រើចំណងជើងពិតប្រាកដ (មិនមែនគ្រាន់តែអក្សរដិតធំជាងនោះទេ) អត្ថបទតំណភ្ជាប់ដែលមានអត្ថន័យ និងលំដាប់អានសមហេតុផល។ បន្ថែមអត្ថបទ alt ពិពណ៌នា ដើម្បីកុំឱ្យរូបភាពប្រែទៅជាចន្លោះប្រហោងស្ងាត់ៗ ហើយជៀសវាងល្បិចប្លង់ដែលរំខានពីរបៀបអានខ្លឹមសារឱ្យឮៗ។ សូម្បីតែ TTS ដ៏ល្អឥតខ្ចោះក៏មិនអាចស្រាយរចនាសម្ព័ន្ធមិនល្អបានដែរ - វានឹងគ្រាន់តែរៀបរាប់ពីភាពស្មុគស្មាញប៉ុណ្ណោះ។.
តើខ្ញុំត្រូវកាត់បន្ថយហានិភ័យនៃការឆបោកតាមសំឡេង ឬការហៅទូរស័ព្ទក្លែងក្លាយ "សង្គ្រោះបន្ទាន់ក្នុងគ្រួសារ" យ៉ាងដូចម្តេច?
ចាត់ទុកសំឡេងដែលធ្លាប់ស្គាល់ថាលែងជាភស្តុតាងច្បាស់លាស់ទៀតហើយ។ ទម្លាប់ជាក់ស្តែងមួយគឺការផ្ទៀងផ្ទាត់សំណើមិនធម្មតាតាមរយៈបណ្តាញទីពីរ ដូចជាការផ្ញើសារទៅកាន់លេខដែលគេស្គាល់ ឬការហៅត្រឡប់មកវិញតាមរយៈវិធីសាស្ត្រទំនាក់ទំនងដែលទុកចិត្ត។ មនុស្សជាច្រើនក៏បានកំណត់ពាក្យសម្ងាត់គ្រួសារសាមញ្ញសម្រាប់គ្រាអាសន្នផងដែរ។ គោលដៅមិនមែនជាភាពភ័យខ្លាចទេ - វាជាជំហានផ្ទៀងផ្ទាត់រហ័សនៅពេលដែលហានិភ័យខ្ពស់។.
តើ SSML ជាអ្វី ហើយតើខ្ញុំគួរប្រើវាជាមួយអត្ថបទទៅជាការនិយាយនៅពេលណា?
SSML គឺជាមធ្យោបាយមួយដើម្បីផ្តល់ឱ្យប្រព័ន្ធ TTS នូវការណែនាំបន្ថែមអំពីរបៀបនិយាយអត្ថបទ។ វាអាចជួយជាមួយនឹងការផ្អាក ការសង្កត់ធ្ងន់ និងការបញ្ចេញសំឡេង ជាពិសេសសម្រាប់ឈ្មោះ អក្សរកាត់ ឬពាក្យបច្ចេកទេស។ ប្រសិនបើអ្នកកំពុងបង្កើតអ្វីមួយដែលមានអន្តរកម្ម ឬងាយរងគ្រោះដល់ម៉ាកយីហោ SSML អាចធ្វើអោយប្រសើរឡើងនូវភាពស៊ីសង្វាក់គ្នា និងកាត់បន្ថយការអានដែលឆ្គង។ វាមានតម្លៃបំផុតនៅពេលដែលការបញ្ចេញសំឡេងលំនាំដើមគឺជិតគ្នា ប៉ុន្តែមិនជិតគ្រប់គ្រាន់ទេ។.
ឯកសារយោង
-
W3C - ភាសាសម្គាល់សំយោគការនិយាយ (SSML) កំណែ 1.1 - អានបន្ថែម
-
Tan et al. (2021) - ការស្ទង់មតិលើការសំយោគការនិយាយរបស់សរសៃប្រសាទ (arXiv PDF) - អានបន្ថែម
-
Google Cloud - តម្លៃបម្លែងអត្ថបទទៅជាការនិយាយ - អានបន្ថែម
-
OHF-Voice - Piper (ម៉ាស៊ីន TTS សរសៃប្រសាទក្នុងស្រុក) - អានបន្ថែម
-
FTC សហរដ្ឋអាមេរិក - អ្នកបោកប្រាស់ប្រើប្រាស់ AI ដើម្បីបង្កើនគម្រោង "គ្រាអាសន្នគ្រួសារ" - អានបន្ថែម