Lietuviško balso sintezės dabartis ir perspektyvos

PIJUS KASPARAITIS, GINTARAS SKERSYS Vilniaus universitetas LIETUVIŠKO BALSO SINTEZĖS DABARTIS IR PERSPEKTYVOS ESMINIAI ŽODŽIAI: lietuvių kalba, balso sintezė, projektas LIEPA. ĮVADAS Kalba yra natūraliausias ir priimtiniausias žmogaus ir kompiuterio bendravimo būdas, todėl nenuostabu, kad daug pastangų dedama tobulinant kompiuterių galimybes kalbėti įvairiomis kalbomis. Ne išimtis ir lietuvių kalba. Nors nuo pirmųjų bandymų „prašnekinti“ kompiuterį lietuviškai praėjo ketvirtis amžiaus, tačiau galima teigti, kad esminis proveržis įvyko tik 2015 metais baigus vykdyti projektą „Lietuvių šneka valdomos paslaugos“ (LIEPA). Projekto LIEPA metu buvo sukurtas elektroninis teksto skaitytuvas (sintezatorius), kalbantis 4 balsais, ir 7 paslaugos, kuriose jis naudojamas. Išsamiau žr. projekto LIEPA svetainėje (https://www.raštija.lt/liepa). Lietuviško balso sintezatoriuose naudoti algoritmai, garsų bazės bei pasiekti rezultatai (balso suprantamumas ir natūralumas) išsamiau yra aprašyti straipsnyje (Kasparaitis 2016), o šiame darbe bus aptariamos sekant projekto LIEPA veiklas sukurtos naujos balso sinteze grįstos paslaugos bei paslaugos, kurios galėtų atsirasti artimiausioje ateityje. 1. ESAMI SINTEZATORIAUS TAIKYMAI Projekto LIEPA metu sukurtas elektroninis teksto skaitytuvas yra laisvai platinamas kartu su pradiniais tekstais, tai sudaro sąlygas ir kitiems žmonėms bei organizacijoms, nesusijusiems su projektu LIEPA, ieškoti vis naujų ir vis įvairesnių sintezatoriaus pritaikymo galimybių. 1.1. Spektaklis Remote Vilnius Pirmą kartą LIEPA sintezatoriaus balsai Aistė ir Edvardas buvo panaudoti dar net nebaigti kurti. Tai nutiko tarptautiniame teatrų festivalyje Sirenos 2014, kuriame buvo PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |2 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 pristatytas vokiečių trupės Rimini Protokoll specialiai Vilniui sukurtas spektaklis Remote Vilnius. Spektaklyje nėra nei scenos, nei aktorių. Veiksmo vieta – specialiai parinktos Vilniaus gatvės ar kitos miesto erdvės, dekoracijos – tai namai, automobiliai, praeiviai, o aktoriai – kartu ir žiūrovai – tai apie 50 žmonių grupė, aprūpinta ausinėmis, kuriose skamba sintetiniai Aistės ar Edvardo (spektaklyje Juozo) balsai, bandantys įgyti klausytojo pasitikėjimą, sudominti ir galiausiai valdyti šią žmonių grupę. Spektaklis tarsi prognozuoja žmonijos ateitį, kai kompiuteriai vadovaus žmonėms. Kadras iš spektaklio pateiktas 1 pav., spektaklio ištraukas žr. LRT mediatekoje (FLM1 2014). Spektaklis sulaukė gausybės atsiliepimų spaudoje, nuorodų sąrašą rasite projekto LIEPA naujienose (LN1 2014). Spektakliui buvo reikalingi būtent mechaniškai ir nenatūraliai skambantys balsai, todėl dar nenušlifuoti sintezatoriaus balsai tam puikiausiai tiko. Balso įrašai dar buvo papildyti įvairiais garso efektais. 1 PAV. Kadras iš spektaklio Remote Vilnius (D. Matvejevo nuotr.) PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |3 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 1.2. Straipsnelių interneto svetainėse įgarsinimas Kita akivaizdi ir todėl gausi taikymų grupė – tai įgarsinti interneto straipsneliai, žinutės ir pan. Esmę bene geriausiai apibūdina Lietuvos žinių straipsnelio pavadinimas (LŽ 2015): Nuo šiol „Lietuvos žinios“ ne tik skaitomos, bet ir klausomos. Kitaip tariant, šalia straipsnelio teksto skelbiamas ir balso įrašas. Lietuvos žinių portalas (http://lzinios.lt/) ir jo mobilioji versija (http://m.lzinios.lt/) šiam tikslui sintezatorių ėmė naudoti pirmasis nuo 2015 m. rugsėjo 14 d., o nuo 2015 m. spalio mėn. pabaigos – ir Ūkininko patarėjas (http://ukininkopatarejas.lt/), nuo 2016 m. vasario Vilniaus miesto savivaldybės svetainė (http://www.vilnius.lt/) (VLN 2016), nuo 2017 m. vasario mėn. – naujienų portalo Delfi mobilioji versija (http://m.delfi.lt/) (DELFI 2017). Šiose svetainėse naujai atsirandančių straipsnelių skaičius yra gana didelis, todėl iš teksto sugeneruotas balso įrašas nebekoreguojamas, nes tam nepakaktų laiko, išteklių ir pan. Labai svarbu, kad sintezatorius darytų kuo mažiau klaidų. Daugiausia sunkumų sintezatoriaus kūrėjams sukelia pradinis teksto apdorojimas, t. y. skaičių, datų, santrumpų, specialiųjų ženklų ir kitos ne tekstinės informacijos keitimas tekstu. Įvairiose svetainėse gali būti naudojamos skirtingos teksto rengimo taisyklės, todėl sintezatoriaus teksto apdorojimo bloką reikia pritaikyti kiekvienai svetainei. Balso įrašus galima pateikti šalia straipsnelių ir pastovaus turinio svetainėse. Svarbiausias skirtumas nuo anksčiau aprašyto taikymo būtų tas, kad straipsnelių skaičius yra baigtinis arba kinta lėtai, todėl galima kiekvieno straipsnelio tekstą pritaikyti sintezatoriui arba apskritai parengti dvi teksto versijas: vieną skaitytojui, kitą sintezatoriui. Ir sintezatorių galima šiek tiek pritaikyti prie teksto, pavyzdžiui, papildyti sintezatoriaus santrumpų žodyną. Šio taikymo pavyzdys – Visuotinė lietuvių enciklopedija (https://www.vle.lt/). Skyrelio baltai (VLE 2017) fragmentas puikiai iliustruoja, koks tekstas pateikiamas skaitytojui ir kaip jį turėtų prieš skaitydamas pertvarkyti sintezatorius: „...vakarų Δ prokalbė atsiskyrusi apie 1 t-mečio pr. Kr. vidurį“ „...vakarų baltų prokalbė atsiskyrusi apie pirmojo tūkstantmečio prieš Kristų vidurį“ Šiuo metu sintezatorius skaito neparuoštą tekstą, t. y. sintezatorius pats turėtų nuspręsti, kokį žodį įterpti vietoj trikampėlio, parinkti kelintinį skaitvardį, išskleisti santrumpas, PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |4 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 suderinti žodžių linksnius, nors jis to daryti dar nemoka. Šiame pavyzdyje yra ir dar viena skaitytojui net nepastebima problemėlė – vietoje brūkšnelio panaudotas jungiamasis brūkšnelis. 1.3. Teksto įgarsinimo paslauga Teksto įgarsinimo paslaugomis dažniausiai naudojasi aklieji ir silpnaregiai, tačiau ji gali būti naudinga ir kitiems vartotojams, pavyzdžiui, moksleiviams ar studentams įgarsinant paskaitų konspektus. Viena iš tokių paslaugų – RoboBraille, sukurta Synscenter Refsnæs kartu su Sensus ApS iš Danijos (http://robobraille.org/). Projekte LIEPA sukurti lietuviški sintetiniai balsai paslaugoje RoboBraille veikia nuo 2015 m. lapkričio (ROBO 2015, LN2 2015). RoboBraille paslauga leidžia automatiškai paversti tekstinius dokumentus į daugelį alternatyvių formatų, tinkamų žmonėms, turintiems regėjimo ar skaitymo negalią. Vienas iš galimų formatų yra MP3 garso failas. Tai savitarnos paslauga, veikianti 24 valandas per parą, 7 dienas per savaitę. Individualiems nekomerciniams vartotojams paslauga nemokama. Paslauga leidžia arba pasirinkti vieną ar kelis tekstinius failus (galimi formatai: .DOC, .DOCX, .PDF, .PPT, .PPTX, .TXT, .HTML, .HTM, .RTF, .EPUB, .MOBI ir kt.), arba nurodyti interneto adresą, arba tiesiog įvesti norimą tekstą į tam skirtą laukelį. Tada galima pasirinkti vieną iš keturių lietuviškų balsų ir vieną iš septynių greičių. Kai sistema paruošia MP3 garso failą, ji naudotojo nurodytu elektroninio pašto adresu atsiunčia nuorodą į jį. 1.4. Autobusų stoties informacija Dar vienas sintezatoriaus taikymas: balsu perskaityti keleiviams skirtus pranešimus autobusų, geležinkelio stotyse, oro uostuose ir pan. UAB Vilkaviškio autobusų stoties direktoriaus Algimanto Ankevičiaus pastangomis tai jau veikia. Balso įrašai vietoj gyvo diktoriaus balso čia pradėti naudoti nuo 1980 metų prie magnetofono prijungus laikrodį, įrašai pakeisti lietuviško balso sintezatoriumi 2012 metais, o projekto LIEPA balsai Vilkaviškio autobusų stotyje skamba nuo 2015 metų antro pusmečio. Išsamiau apie tai žr. filmuke (FLM4 2015). Nuo 7 val. ryto iki 19 val. vakaro keleiviams pranešamas tikslus laikas, autobusų atvykimas ir išvykimas ir kita informacija. Perone skaitomi tik skelbimai, o keleivių salėje skaitomi skelbimai ir transliuojamos radijo laidos. Skelbimą reikia spėti perskaityti per minutę, PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |5 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 nes po minutės įsijungia radijas. Skelbimus skaito sintezatorių balsų duetai (paeiliui moteriškas ir vyriškas balsas po kelias frazes), panašiai kaip televizijos laidų vedėjai. 1.5. ROBOTAS NAO 2 PAV. Robotas NAO (http://old.mii.lt/index.php?siteaction=ne ws_notices.view&id=4009&lang=lt) Turbūt vienas iš labiausiai jaunuosius šiuolaikinių technologijų naudotojus sudominsiančių projekto LIEPA taikymų yra lietuvių kalba prašnekęs Robotikos akademijos ir UAB Baltic Orbis turimas humanoidinis robotas NAO (2 pav.). Jis kvietė užsukti į Lietuvos stendą Briuselyje vykusio renginio EU OPEN DAY 2016, kuriame prisistatė Europos Sąjungos šalys, metu (LN3 2016, FLM2 2016). Projekte LIEPA sukurtus lietuviškus sintetinius balsus į robotą sudėjo ir išmokė robotą judėti Robotikos akademijos inžinierius Linas Aidokas, roboto pasirodymo scenarijų parengė prof. Laimutis Telksnys (VU MII), dr. Rita Miliūnaitė (LKI) ir Tautė Bernotaitė (LKI). NAO robotas taip pat mokė lietuviškų žodžių Sankt Peterburge Ermitažo muziejuje vykusios Europos kalbų dienos lankytojus (Lietuvos stendą aplankė beveik 3000 lankytojų) (FLM3 2016), deklamavo Kristijono Donelaičio Metų ištrauką Lietuvos Respublikos Seime vykusioje konferencijoje Ar kalbės robotai lietuviškai? (LN4 2016). PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |6 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2. POTENCIALŪS TAIKYMO PAVYZDŽIAI Šiame skyriuje bus pateikti tie potencialūs balso sintezės taikymo pavyzdžiai, kurie dar nėra įgyvendinti, tačiau tam jau buvo žengti pirmi žingsniai. 2.1. Sintezatoriaus perkėlimas į OS LINUX Projekto LIEPA sintezatorius buvo sukurtas Windows aplinkai. Pritaikius jį Linux aplinkai, jo panaudojimų skaičius būtų didesnis. Visų pirma, jis būtų naudojamas internetinių laikraščių, žurnalų ir kitų panašių svetainių straipsneliams įgarsinti, kaip jau buvo aprašyta 1.2 skyriuje, tačiau tose svetainėse, kurios realizuotos Linux pagrindu. Analogiškai sintezatorius būtų naudojamas ir pastovesnio turinio svetainėms įgarsinti, pavyzdžiui, planuojama įgarsinti enciklopediją Wikipedia (žr. Chirgwin 2016). 2.2. Virtualieji asistentai Vystantis dirbtiniam intelektui kuriami virtualieji asistentai, gebantys atsakyti į žmogaus laisva forma užrašytus klausimus. Migracijos departamento prie Lietuvos Respublikos vidaus reikalų ministerijos svetainės (http://www.migracija.lt/) lankytojams padeda virtualūs asistentai Martynas ir Ieva. Jiems galima užduoti klausimus, ir jie į juos atsako arba pateikia sąrašą nuorodų į susijusius svetainės puslapius. Pavyzdžiui, į klausimą Kiek kainuoja pasas bus pateiktas toks atsakymas: Nustatyto dydžio valstybės rinkliavos už asmens dokumentų išdavimą:  Pasas;  Asmens tapatybės kortelė;  laikinasis piliečio pažymėjimas. Atleidimas nuo rinkliavos Kaip apmokėti Atkreipiame Jūsų dėmesį, asmens dokumentus išduoda teritorinių policijos įstaigų migracijos padaliniai. PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |7 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 Dar atverčiamas puslapis Valstybės rinkliavų sąrašas. Tas pats atsakymas pateikiamas ir į klausimą Kiek kainuoja tapatybės kortelė, t. y. atsakymai paruošti iš anksto ir kiek bendresni nei klausimai. Į nekorektiškus klausimus asistentas pateikia tokio tipo atsakymus: Prašome patikslinti klausimą; Aš pasistengsiu Jums padėti, jei pateiksite trumpus klausimus; Pasistengsiu atsakyti į Jūsų klausimą pagal Migracijos departamento kompetenciją. Vienas iš virtualiųjų asistentų trūkumų, kad jų atsakymai nėra įgarsinti lietuviškai. 3 PAV. Virtualieji asistentai Ieva ir Martynas (http://www.migracija.lt/) PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |8 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2.3. ROBOTAS MIO MOBILE KIOSK Daugelis poilsiautojų Palangos pajūryje yra matę šaltkrepšiais nešinus jaunuolius, nuolat šūkčiojančius: „Karšti čeburekai! Kepta duona! ...“ Tokį darbą galėtų atlikti ir robotas. Būtent tam skirtą autonominį mobilųjį pardavimų automatą, pavadintą MIO mobile kiosk (4 pav.), šiuo metu kuria vienas iš lietuviškų startuolių (http://miokiosk.com/) (Fuks 2016). Numatoma, kad jis galės vežioti ir pardavinėti užkandžius bei gėrimus parkuose, skveruose, aikštėse, taip pat įvairių renginių metu. Planuojama, kad šį robotą bus galima išsikviesti per mobiliąją programėlę, o bendrauti su pirkėju bus naudojamas jutiklinis ekranas. Naudotojų patogumui robotas irgi galėtų prabilti lietuviškai: kviesti pirkėjus, reklamuoti savo prekes, teikti naudojimo instrukcijas ir pan. 4 PAV. MIO mobile kiosk (http://miokiosk.com/) 2.4. Automatinio vertimo programos Jau prieš kelis dešimtmečius atsirado pirmosios kompiuterinės programos, gebančios versti tekstą iš vienos kalbos į kitą. Kai kurios iš jų moka perskaityti balsu verčiamą arba jau PIJUS KASPARAITIS, GINTARAS SKERSYS. Lietuviško balso sintezės dabartis ir perspektyvos |9 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 išverstą tekstą. Pavyzdžiui, viena iš populiariausių programų Google vertyklė (http://translate.google.lt/) gali perskaityti tekstą, parašytą kaimyninių šalių kalbomis: lenkų, rusų, latvių. Žinomos bent 4 vertimo programos, verčiančios į lietuvių kalbą arba iš lietuvių kalbos: jau minėta Google vertyklė, Microsoft vertyklė (http://www.bing.com/translator/), Vytauto Didžiojo universiteto vertyklė (http://vertimas.vdu.lt/twsas/), Tildė IT ir Lietuvių kalbos instituto vertyklė (https://translate.tilde.com/lt/). Deja, perskaityti balsu lietuvišką tekstą šios vertimo programos nesugeba. 2.5. Išmaniųjų telefonų pritaikymas akliesiems Pastaraisiais metais daugelis užduočių, kurias žmonės buvo įpratę atlikti kompiuteriuose, pavyzdžiui, naršymas internete ar laiškų rašymas, dabar atliekamos išmaniuosiuose telefonuose. Ne išimtis ir aklieji bei silpnaregiai, jie taip pat vis dažniau naudojasi išmaniaisiais telefonais. Kaip ir naudojantis kompiuteriais, atsakas akliesiems pateikiamas balsu. Šiuo tikslu išmanieji telefonai turi įmontuotus balso sintezatorius ir per standartizuotą sąsają su jais susietus akliesiems skirtus ekrano skaitytuvus. Populiariausios išmaniųjų telefonų operacinės sistemos ir jose įmontuoti skaitytuvai yra šie: atviroji sistema Android ir skaitytuvas TalkBack, kompanijos Apple iOS ir VoiceOver, kompanijos Microsoft Windows Mobile ir Narrator. Deja, nei Apple, nei Microsoft nėra sukūrusios lietuviško sintezatoriaus, o galimybės įdėti savo sukurtą sintezatorių į jų įrenginius yra specialiai apribotos, todėl šiuo metu prakalbinti lietuviškai įmanoma tik Android sistemos išmaniuosius telefonus. Tam reikėtų perkelti sintezatoriaus programinę įrangą į Android sistemą, sukurti standartinę sąsają, ir aklieji galėtų įmontuoto ekrano skaitytuvo TalkBack padedami naudotis išmaniuoju telefonu. Kelios kliūtys, susijusios su LIEPA sintezatoriaus perkėlimu į Android sistemą:  Išmanieji telefonai paprastai turi mažiau atminties nei kompiuteriai, todėl reikėtų sumažinti garsų bazes, o dėl to gali pablogėti balso kokybė. Tačiau išmaniuosiuose telefonuose gali pakakti ir mažesnio signalo diskretizavimo dažnio, tai leistų sumažinti garsų bazes vien tik sumažinus dažnį;  Android sistemoje sąsaja paprastai programuojama Java programavimo kalba, kuri priklauso interpretuojamoms kalboms, o sintezatorius parašytas C kalba, kuri yra