Lietuviško balso sintezės dabartis ir perspektyvos

PIJUS KASPARAITIS, GINTARAS SKERSYS Vilniaus universitetas STAN I PERSPEKTYWY SYNTEZY MOWY LITEWSKIEJ SŁOWA KLUCZOWE: język litewski, synteza mowy, projekt LIEPA. WPROWADZENIE Mowa jest najbardziej naturalnym i akceptowalnym sposobem komunikowania się człowieka z komputerem, dlatego nie dziwi, że wiele wysiłku wkłada się w doskonalenie możliwości komputerów w zakresie mówienia w różnych językach. Język litewski nie jest wyjątkiem. Chociaż od pierwszych prób „przemówienia” do komputera po litewsku minęło ćwierć wieku, można jednak stwierdzić, że zasadniczy przełom nastąpił dopiero w 2015 roku, po zakończeniu realizacji projektu „Usługi sterowane mową litewską” (LIEPA). W ramach projektu LIEPA stworzono elektroniczny czytnik tekstu (syntezator) mówiący 4 głosami oraz 7 usług, w których jest on wykorzystywany. Więcej informacji można znaleźć na stronie internetowej projektu LIEPA (https://www.raštija.lt/liepa). Algorytmy, bazy dźwięków oraz osiągnięte wyniki (zrozumiałość i naturalność głosu) zastosowane w syntezatorach mowy litewskiej zostały szerzej opisane w artykule (Kasparaitis 2016), natomiast w niniejszej pracy omówione zostaną nowe usługi oparte na syntezie mowy, stworzone w wyniku działań projektu LIEPA, oraz usługi, które mogłyby powstać w najbliższej przyszłości. 1. ZASTOSOWANIA SYNTEZATORA Stworzony w ramach projektu LIEPA elektroniczny czytnik tekstu jest swobodnie rozpowszechniany wraz z tekstami źródłowymi, co stwarza warunki także innym osobom i organizacjom niezwiązanym z projektem LIEPA do poszukiwania coraz to nowych i coraz bardziej różnorodnych możliwości zastosowania syntezatora. 1.1. Spektakl Remote Vilnius Po raz pierwszy głosy syntezatora LIEPA, Aistė i Edvardas, zostały wykorzystane, zanim ich tworzenie zostało jeszcze ukończone. Stało się to podczas międzynarodowego festiwalu teatrów Sirenos 2014, na którym został PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy mowy litewskiej |2 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 zaprezentowany spektakl niemieckiej grupy Rimini Protokoll Remote Vilnius, stworzony specjalnie dla Wilna. W spektaklu nie ma ani sceny, ani aktorów. Miejscem akcji są specjalnie wybrane ulice kitos miesto erdvės, dekoracijos – tai namai, automobiliai, praeiviai, o aktoriai – kartu ir žiūrovai Wilna, a – jest to grupa około 50 osób wyposażonych w słuchawki, w których rozbrzmiewają syntetyczne głosy Aistė lub Edvardasa (w spektaklu Juoza), próbujące zdobyć zaufanie słuchacza, zainteresować go, a ostatecznie kierować tą grupą ludzi. Spektakl niejako prognozuje przyszłość ludzkości, gdy komputery będą kierować ludźmi. Kadr ze spektaklu przedstawiono na rys. 1, fragmenty spektaklu zob. w mediatece LRT (FLM1 2014). Spektakl doczekał się licznych relacji w prasie, listę linków znajdą Państwo w aktualnościach projektu LIEPA (LN1 2014). Do spektaklu potrzebne były właśnie mechanicznie i nienaturalnie brzmiące głosy, dlatego jeszcze niewygładzone głosy syntezatora doskonale się do tego nadawały. Nagrania głosowe uzupełniono jeszcze różnymi efektami dźwiękowymi. 1 PAV. Kadras iš spektaklio Remote Vilnius (D. Matvejevo nuotr.) PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy głosu litewskiego |3 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 1.2. Udźwiękowienie artykułów w serwisach internetowych Kolejną oczywistą i dlatego liczną grupę zastosowań stanowią nagrane artykuły internetowe, wiadomości itp. Istotę chyba najlepiej oddaje tytuł artykułu w „Lietuvos žinios” (LŽ 2015): Od tej pory „Lietuvos žinios” są nie tylko czytane, lecz także słuchane. Innymi słowy, obok tekstu artykułu zamieszczane jest również nagranie głosowe. Portal „Lietuvos žinios” (http://lzinios.lt/) i jego wersja mobilna (http://m.lzinios.lt/) jako pierwszy zaczął w tym celu używać syntezatora od 14 września 2015 r., a od końca października 2015 r. – również „Ūkininko patarėjas” (http://ukininkopatarejas.lt/), od lutego 2016 r. strona internetowa samorządu miasta Wilna (http://www.vilnius.lt/) (VLN 2016), a od lutego 2017 r. – wersja mobilna portalu informacyjnego Delfi 2017). (http://m.delfi.lt/) (DELFI W tych witrynach liczba nowo pojawiających się artykułów jest dość duża, dlatego nagranie głosowe wygenerowane z tekstu nie jest już korygowane, ponieważ nie wystarczyłoby na to czasu, zasobów itp. Bardzo ważne jest, aby syntezator popełniał jak najmniej kūrėjams sukelia pradinis teksto apdorojimas, t. y. skaičių, datų, santrumpų, specialiųjų ženklų błędów. Najwięcej trudności sprawia syntezatorowi i innym elementom nietekstowej informacji przekształcanie ich w tekst. Na różnych stronach internetowych mogą być stosowane różne zasady przygotowywania tekstu, dlatego blok przetwarzania tekstu syntezatora trzeba dostosować do każdej witryny. Nagrania głosowe można zamieszczać obok artykułów również na stronach o stałej treści. Najważniejsza różnica w porównaniu z wcześniej opisanym zastosowaniem polegałaby na tym, że liczba artykułów jest skończona lub zmienia się powoli, dlatego można dostosować tekst każdego artykułu do syntezatora albo w ogóle przygotować dwie wersje tekstu: jedną dla czytelnika, drugą dla syntezatora. Syntezator również można nieco dostosować do tekstu, na przykład uzupełnić słownik skrótów syntezatora. Przykładem takiego zastosowania jest Powszechna encyklopedia litewska (https://www.vle.lt/). Fragment hasła baltai (VLE 2017) doskonale ilustruje, jaki tekst jest przedstawiany czytelnikowi i jak syntezator powinien go przekształcić przed odczytaniem: „...vakarų Δ prokalbė atsiskyrusi apie 1 t-mečio pr. Kr. vidurį“ „...vakarų baltų prokalbė atsiskyrusi apie pirmojo tūkstantmečio prieš Kristų vidurį“ Obecnie syntezator odczytuje tekst nieprzygotowany, tzn. sam powinien zdecydować, jakie słowo wstawić zamiast trójkąta, wybrać liczebnik porządkowy, rozwinąć skróty, PIJUS KASPARAITIS, GINTARAS SKERSYS. Synteza mowy litewskiej – stan obecny i perspektywy |4 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 uzgodnić przypadki wyrazów, choć nie potrafi jeszcze tego robić. W tym przykładzie występuje również jeszcze jeden, dla czytelnika zupełnie niezauważalny problem – zamiast myślnika użyto łącznika. 1.3. Usługa udźwiękowiania tekstu Z usług syntezy mowy najczęściej korzystają osoby niewidome i słabowidzące, jednak mogą one być przydatne także dla innych użytkowników, na przykład dla uczniów lub studentów podczas nagrywania konspektów wykładów. Jedną z takich usług jest RoboBraille, opracowana przez Synscenter Refsnæs wspólnie z duńską firmą Sensus ApS (http://robobraille.org/). Litewskie głosy syntetyczne stworzone w ramach projektu LIEPA działają w usłudze RoboBraille od listopada 2015 r. (ROBO 2015, LN2 2015). Usługa RoboBraille umożliwia automatyczną konwersję dokumentów tekstowych do wielu alternatywnych formatów odpowiednich dla osób z niepełnosprawnością wzroku lub trudnościami w czytaniu. Jednym z możliwych formatów jest plik dźwiękowy MP3. Jest to usługa samoobsługowa, działająca 24 godziny na dobę, 7 dni w tygodniu. Dla indywidualnych użytkowników niekomercyjnych usługa jest bezpłatna. Usługa umożliwia wybranie jednego lub kilku plików tekstowych (dostępne formaty: .DOC, .DOCX, .PDF, .PPT, .PPTX, .TXT, .HTML, .HTM, .RTF, .EPUB, .MOBI i inne), podanie adresu internetowego albo bezpośrednie wpisanie żądanego tekstu w przeznaczonym do tego polu. Następnie można wybrać jeden z czterech litewskich głosów i jedną z siedmiu prędkości. Gdy system przygotuje plik dźwiękowy MP3, wysyła na podany przez użytkownika adres poczty elektronicznej link do niego. 1.4. Informacja dworca autobusowego Jeszcze jedno zastosowanie syntezatora: odczytywanie głosem komunikatów przeznaczonych dla pasażerów na dworcach autobusowych, kolejowych, lotniskach itp. Dzięki staraniom dyrektora UAB Vilkaviškio autobusų stoties Algimantasa Ankevičiusa rozwiązanie to już działa. Nagrań głosowych zamiast głosu żywego spikera zaczęto tu używać od 1980 roku, po podłączeniu zegara do magnetofonu; nagrania zastąpiono syntezatorem głosu litewskiego w 2012 roku, a głosy projektu LIEPA rozbrzmiewają na dworcu autobusowym w Vilkaviškis od drugiej połowy 2015 roku. Więcej informacji na ten temat można znaleźć w filmie (FLM4 2015). Od godziny 7 rano do godziny 19 wieczorem pasażerom podawany jest dokładny czas, informacje o przyjeździe i odjeździe autobusów oraz inne informacje. Na peronie odczytywane są tylko ogłoszenia, a w hali pasażerskiej odczytywane są ogłoszenia i transmitowane audycje radiowe. Ogłoszenie trzeba zdążyć przeczytać w ciągu minuty, PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy mowy w języku BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 litewskim |5 ponieważ po minucie włącza się radio. Ogłoszenia odczytują duety głosów syntezatorów (naprzemiennie głos żeński i męski po kilka fraz), podobnie jak prezenterzy programów telewizyjnych. 1.5. ROBOT NAO RYS. 2 Robot NAO (http://old.mii.lt/index.php?siteaction=ne ws_notices.view&id=4009&lang=lt) Prawdopodobnie jednym z zastosowań projektu LIEPA, które najbardziej zainteresują młodych użytkowników współczesnych technologii, jest humanoidalny robot NAO (rys. 2), będący własnością Akademii Robotyki i UAB Baltic Orbis, który przemówił w języku litewskim. Zapraszał do odwiedzenia litewskiego stoiska podczas wydarzenia EU OPEN DAY 2016, które odbyło się w Brukseli i podczas którego zaprezentowały się państwa Unii Europejskiej (LN3 2016, FLM2 2016). W projekcie litewskie głosy syntetyczne stworzone w ramach projektu LIEPA umieścił w robocie i nauczył robota poruszać się inżynier Akademii Robotyki Linas Aidokas, scenariusz występu robota przygotowali prof. Laimutis Telksnys (VU MII), dr Rita Miliūnaitė (LKI) i Tautė Bernotaitė (LKI). Robot NAO uczył również litewskich słów odwiedzających Dzień Języków Europejskich, który odbył się w Petersburgu w Muzeum Ermitażu (litewskie stoisko odwiedziło prawie 3000 osób) (FLM3 2016), recytował fragment pism Kristijonasa Donelaitisa „Rok” podczas konferencji Ar kalbės robotai lietuviškai? zorganizowanej w Sejmie Republiki Litewskiej (LN4 2016). PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy mowy litewskiej |6 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2. POTENCJALNE PRZYKŁADY ZASTOSOWAŃ W niniejszym rozdziale przedstawione zostaną te potencjalne przykłady zastosowania syntezy mowy, które nie zostały jeszcze zrealizowane, jednak podjęto już pierwsze kroki w tym kierunku. 2.1. PRZENIESIENIE SYNTEZATORA DO SYSTEMU OPERACYJNEGO LINUX Syntezator projektu LIEPA został stworzony dla środowiska Windows. Po dostosowaniu go do środowiska Linux liczba jego zastosowań byłaby większa. Przede wszystkim byłby wykorzystywany do odczytywania artykułów internetowych gazet, czasopism i innych podobnych stron internetowych, jak już opisano w rozdziale 1.2, jednak na stronach zrealizowanych w oparciu o system Linux. Analogicznie syntezator byłby wykorzystywany również do odczytywania stron internetowych o bardziej stałej zawartości, na przykład planuje się udźwiękowienie encyklopedii Wikipedia (zob. Chirgwin 2016). 2.2. Wirtualni asystenci Wraz z rozwojem sztucznej inteligencji tworzeni są wirtualni asystenci zdolni odpowiadać na pytania zapisane przez człowieka w swobodnej formie. Odwiedzającym stronę internetową Departamentu Migracji przy Ministerstwie Spraw Wewnętrznych Republiki Litewskiej (http://www.migracija.lt/) pomagają wirtualni asystenci Martynas i Ieva. Można im zadawać pytania, a oni odpowiadają na nie lub przedstawiają listę linków do powiązanych stron internetowych. Na przykład na pytanie Ile kosztuje paszport zostanie udzielona następująca odpowiedź: Ustalonej wysokości opłaty państwowe za wydanie dokumentów tożsamości:  Paszport;  Dowód osobisty;  tymczasowe zaświadczenie obywatela. Zwolnienie z opłaty Jak zapłacić Atkreipiame Jūsų dėmesį, asmens dokumentus išduoda teritorinių policijos įstaigų migracijos oddziały. PIJUS KASPARAITIS, GINTARAS SKERSYS. Stan obecny i perspektywy syntezy mowy litewskiej |7 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 Otwiera się również strona Wykaz opłat państwowych. Ta sama odpowiedź jest udzielana także na pytanie Ile kosztuje dowód osobisty, tzn. odpowiedzi są przygotowane z wyprzedzeniem i są nieco bardziej ogólne niż pytania. Na niepoprawne pytania asystent udziela odpowiedzi tego typu: Proszę doprecyzować pytanie; Postaram się Państwu pomóc, jeśli podadzą Państwo krótkie pytania; Postaram się odpowiedzieć na Państwa pytanie zgodnie z kompetencjami Departamentu Migracji. Jedną z wad wirtualnych asystentów jest to, że ich odpowiedzi nie są nagrane w języku litewskim. RYS. 3 Wirtualni asystenci Ieva i Martynas (http://www.migracija.lt/) nieustannie wykrzykujący: „Gorące czebureki! Smażony chleb! ...“ PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy mowy litewskiej |8 BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 2.3. ROBOT MIO MOBILE KIOSK Daugelis poilsiautojų Palangos pajūryje yra matę šaltkrepšiais nešinus jaunuolius, Taką pracę mógłby wykonywać również robot. Właśnie do tego przeznaczony autonomiczny mobilny automat sprzedażowy, nazwany MIO mobile kiosk (rys. 4), jest obecnie tworzony przez jeden z litewskich startupów (http://miokiosk.com/) (Fuks 2016). Przewiduje się, że będzie on mógł wozić i sprzedawać przekąski oraz napoje w parkach, skwerach, na placach, a także podczas różnego rodzaju wydarzeń. Planuje się, że będzie można przywołać tego robota za pośrednictwem aplikacji mobilnej, a do komunikowania się z kupującym będzie wykorzystywany ekran dotykowy. Dla wygody użytkowników robot również mógłby mówić po litewsku: zapraszać kupujących, reklamować swoje towary, udzielać instrukcji użytkowania itp. RYS. 4 MIO mobile kiosk (http://miokiosk.com/) 2.4. Programy do tłumaczenia automatycznego Już przed kilkudziesięcioma laty pojawiły się pierwsze programy komputerowe potrafiące tłumaczyć tekst z jednego języka na inny. Niektóre z nich potrafią odczytać głosem tłumaczony lub już PIJUS KASPARAITIS, GINTARAS SKERSYS. Teraźniejszość i perspektywy syntezy mowy BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204 litewskiej |9 przetłumaczony tekst. Na przykład jedna z najpopularniejszych aplikacji, Tłumacz Google (http://translate.google.lt/), może odczytać tekst napisany w językach krajów sąsiednich: polskim, rosyjskim, łotewskim. Znane są co najmniej 4 programy tłumaczeniowe tłumaczące na język litewski lub z języka litewskiego: wspomniany już Tłumacz Google, Tłumacz Microsoft (http://www.bing.com/translator/), tłumacz Uniwersytetu Witolda Wielkiego (http://vertimas.vdu.lt/twsas/), Tłumacz firmy Tildė IT i Instytutu Języka Litewskiego (https://translate.tilde.com/lt/). Niestety, programy te nie potrafią odczytać na głos tekstu litewskiego. 2.5. Dostosowanie smartfonów do potrzeb osób niewidomych W ostatnich latach wiele zadań, które ludzie byli przyzwyczajeni wykonywać na komputerach, na przykład przeglądanie internetu czy pisanie wiadomości e-mail, jest obecnie wykonywanych na smartfonach. Osoby niewidome i słabowidzące nie stanowią wyjątku — one również coraz częściej korzystają ze smartfonów. Podobnie jak podczas korzystania z komputerów, informacja zwrotna dla osób niewidomych jest przekazywana głosowo. W tym celu smartfony mają wbudowane syntezatory mowy oraz powiązane z nimi za pośrednictwem standaryzowanego interfejsu czytniki ekranu przeznaczone dla osób niewidomych. Najpopularniejsze systemy operacyjne smartfonów i wbudowane w nie czytniki to: otwarty system Android i czytnik TalkBack, system firmy Apple iOS i nei Apple, nei Microsoft nėra sukūrusios lietuviško sintezatoriaus, o galimybės įdėti savo sukurtą VoiceOver, system firmy Microsoft Windows Mobile i Narrator. Niestety syntezatory w ich urządzeniach są specjalnie ograniczone, dlatego obecnie możliwe jest uruchomienie mowy w języku litewskim tylko na smartfonach z systemem Android. W tym celu należałoby przenieść oprogramowanie syntezatora do systemu Android, utworzyć standardowy interfejs, a osoby niewidome mogłyby, korzystając z pomocy wbudowanego czytnika ekranu TalkBack, używać smartfona. Kilka przeszkód związanych z przeniesieniem syntezatora LIEPA do systemu Android:  Smartfony zazwyczaj mają mniej pamięci niż komputery, dlatego należałoby zmniejszyć bazy dźwięków, co mogłoby pogorszyć jakość głosu. Jednak w smartfonach może wystarczyć również mniejsza częstotliwość próbkowania sygnału, co pozwoliłoby zmniejszyć bazy dźwięków wyłącznie poprzez obniżenie częstotliwości;  W systemie Android interfejs jest zazwyczaj programowany w języku programowania Java, który należy do języków interpretowanych, natomiast syntezator jest napisany w języku C, który jest