فهرست مطالب
- TTS چیست؟
- TTS چگونه کار میکند؟
- ۱. نرمالسازی متن
- ۲. تحلیل زبانی و تلفظ
- ۳. مدل آکوستیک و ووکودر
- نسلهای فناوری TTS
- چالش‌های TTS فارسی
- کیفیت صدای TTS چطور سنجیده میشود؟
- کاربردهای TTS در مرکز تماس و سازمان‌ها
- ساخت صدای تلفن گویا با هوش مصنوعی
- چطور یک موتور TTS را برای کار سازمانی انتخاب کنیم؟
- پرسش‌های متداول
- TTS مخفف چیست؟
- فرق TTS و ASR چیست؟
- آیا TTS فارسی طبیعی است؟
- آیا میشود صدای تلفن گویا را با هوش مصنوعی ساخت؟
- کیفیت TTS چطور سنجیده میشود؟
- TTS (Text-to-Speech) یا تبدیل متن به گفتار، فناوری‌ای است که متن نوشتاری را به صدای طبیعی تبدیل میکند؛ عکس کاری که ASR انجام می‌دهد.
- هر سامانهٔ TTS سه مرحلهٔ اصلی دارد: نرمالسازی متن (مثلاً تبدیل اعداد و تاریخ به کلمه)، تحلیل زبانی و تلفظ، و ساخت موج صدا با مدلهای عصبی.
- در فارسی، نبود اعراب، کسرهٔ اضافهٔ نانوشته و اعداد، مهم‌ترین چالش‌ها هستند.
- در مرکز تماس، TTS پیامهای پویای IVR، پاسخ ربات تلفنی، یادآوری‌های خودکار و اعلان‌های عمومی را بدون نیاز به ضبط دستی می‌سازد.
تقریباً هر روز صدایی را می‌شنویم که هیچ انسانی آن را همان لحظه نگفته است: اعلام موجودی حساب در تلفن‌بانک، مسیریاب خودرو، اعلان پرواز در فرودگاه یا پاسخ دستیار صوتی گوشی. همهٔ این‌ها با TTS یا تبدیل متن به گفتار ساخته می‌شوند. نسل جدید این فناوری با مدلهای یادگیری عمیق به جایی رسیده که شنونده در بسیاری از جمله‌ها فرقی میان صدای ساخته‌شده و صدای انسان حس نمی‌کند.
در این مقاله توضیح می‌دهیم TTS چیست، گام‌به‌گام چطور کار میکند، فارسی چه چالش‌های ویژه‌ای برای آن دارد، کیفیت صدا چطور سنجیده میشود و این فناوری در مرکز تماس و اطلاع‌رسانی عمومی چه کاربردهایی دارد.
TTS چیست؟
TTS مخفف Text-to-Speech و به معنای تبدیل متن به گفتار است. به آن «سنتز گفتار» (Speech Synthesis) یا «تولید گفتار» هم می‌گویند. ورودی TTS یک متن است و خروجی آن فایل یا جریان صوتی که همان متن را با صدایی شبیه انسان میخواند.
TTS و ASR (تشخیص گفتار) دو روی یک سکه‌اند: ASR صدا را به متن تبدیل میکند و TTS متن را به صدا. در یک ربات تلفنی یا IVR گفتاری، این دو کنار هم کار می‌کنند: ASR حرف مشتری را میفهمد، سامانه پاسخ را می‌سازد و TTS آن را برای مشتری میخواند.
TTS چگونه کار میکند؟
۱. نرمالسازی متن
متن واقعی پر از چیزهایی است که همان‌طور که نوشته شده خوانده نمی‌شوند: «۴۶۲۵» باید «چهار هزار و ششصد و بیست و پنج» خوانده شود، «۱۴:۳۰» یعنی «چهارده و سی دقیقه» و «ج.ا.ا» یا «ریال» هم شکل گفتاری خود را دارند. این مرحله که به آن TN (Text Normalization) می‌گویند، بیشترین اثر را روی درست شنیده شدن پیامهای مرکز تماس دارد؛ چون پیام‌ها پر از شماره، مبلغ، تاریخ و کد هستند. ابزار زیر این کار را برای چند جملهٔ نمونه نشان می‌دهد:
—
—
۲. تحلیل زبانی و تلفظ
در این مرحله هر واژه به واج‌هایش تبدیل میشود (G2P یا Grapheme-to-Phoneme) و جای مکث، تکیه و آهنگ جمله تعیین میشود. جملهٔ پرسشی باید با آهنگ پرسشی خوانده شود و مکث بعد از ویرگول باید طبیعی باشد.
۳. مدل آکوستیک و ووکودر
مدل آکوستیک از روی واج‌ها و آهنگ جمله یک طیف‌نگار (Mel-Spectrogram) می‌سازد و ووکودر این طیف را به موج صدا تبدیل میکند. در مدلهای جدیدتر انتها به انتها، این دو در یک شبکه ادغام شده‌اند.
نسلهای فناوری TTS
| نسل | روش | ویژگی |
|---|---|---|
| پیوندی (Concatenative) | چسباندن قطعه‌های صدای ضبط‌شدهٔ گوینده | صدای طبیعی در جملههای آشنا، اما ناهموار در جملههای جدید و نیازمند پایگاه صوتی بزرگ |
| پارامتری آماری | مدلهای آماری مانند HMM برای ساخت پارامترهای صدا | انعطاف بیشتر، اما صدای مصنوعی و «رباتی» |
| عصبی (Neural TTS) | شبکه‌های عمیق مانند Tacotron، FastSpeech و VITS با ووکودرهایی مانند HiFi-GAN | صدای بسیار طبیعی، کنترل آهنگ و سرعت، امکان آموزش صدای اختصاصی |
امروز تقریباً همهٔ سامانه‌های جدید از TTS عصبی استفاده می‌کنند. برای آشنایی با تحول مشابه در تشخیص گفتار، مقالهٔ تاریخچهٔ تشخیص گفتار خودکار را ببینید.
چالش‌های TTS فارسی
- نبود اعراب: «کرم» می‌تواند kerm، karam یا kerem خوانده شود؛ سامانه باید از روی جمله تلفظ درست را حدس بزند.
- کسرهٔ اضافهٔ نانوشته: در «مرکز تماس هوشمند» کسره‌ها نوشته نمی‌شوند، اما باید خوانده شوند؛ اشتباه در آن، جمله را غیرطبیعی میکند.
- اعداد و تاریخ: عدد فارسی و لاتین، تاریخ شمسی، ساعت، مبلغ ریالی و کد پیگیری هر کدام قاعدهٔ خواندن خود را دارند.
- نیم‌فاصله و املای متفاوت: «میشود» و «میشود» باید یکسان خوانده شوند.
- واژه‌های لاتین و نام‌ها: نام محصول، برند یا اختصارهایی مثل SMS در متن فارسی تلفظ ویژه می‌خواهند.
کیفیت صدای TTS چطور سنجیده میشود؟
معیار رایج، MOS (Mean Opinion Score) است: گروهی از شنوندگان به طبیعی بودن صدا از ۱ تا ۵ امتیاز می‌دهند. در کنار آن، درستی تلفظ (به‌خصوص اعداد و نام‌ها)، وضوح در خط تلفن و تأخیر (فاصلهٔ ارسال متن تا شروع پخش صدا) برای کاربرد تلفنی اهمیت دارند. صدایی که در هدفون عالی است، باید روی صدای ۸ کیلوهرتزی تلفن هم واضح بماند.
کاربردهای TTS در مرکز تماس و سازمان‌ها
| کاربرد | نمونه |
|---|---|
| پیامهای پویای IVR | اعلام مانده حساب، وضعیت سفارش یا کد پیگیری که برای هر تماس متفاوت است |
| پاسخ ربات تلفنی | خواندن پاسخ ساخته‌شده در ربات تلفنی هوشمند و IVR گفتاری |
| تماس‌های خروجی خودکار | یادآوری قسط و نوبت، تأیید سفارش و نظرسنجی تلفنی |
| اطلاع‌رسانی عمومی | اعلان‌های خودکار پرواز و سالن با اسپیکر تحت شبکه و سیستم پیجینگ |
| دسترس‌پذیری | خواندن محتوای سایت و اپلیکیشن برای افراد کم‌بینا |
یک نمونهٔ واقعی: سامانهٔ پیجینگ NG-AutoP ساعیان ارتباط، اطلاعات پرواز را از سامانهٔ اطلاعات پرواز دریافت میکند، متن اعلان را با تبدیل متن به گفتار به صدا تبدیل میکند و در ترمینال‌های فرودگاه بین‌المللی مهرآباد پخش میکند.
ساخت صدای تلفن گویا با هوش مصنوعی
یکی از پرتکرارترین کاربردهای TTS، ساخت پیامهای منوی گویا بدون استودیو و گوینده است. مزیت اصلی، سرعت تغییر است: اگر ساعت کاری یا گزینه‌های منو تغییر کند، پیام جدید در چند ثانیه ساخته میشود. برای پیامهای ثابت و برندمحور، ضبط با صدای گوینده هنوز گزینهٔ خوبی است؛ اما برای هر پیامی که شامل اطلاعات متغیر است، TTS تنها راه عملی است.
| موضوع | پیام ضبط‌شده | پیام TTS |
|---|---|---|
| تغییر متن | نیاز به ضبط دوباره | در چند ثانیه |
| اطلاعات متغیر (مبلغ، کد، تاریخ) | عملاً ممکن نیست | به‌صورت خودکار |
| یکدستی صدا | وابسته به در دسترس بودن گوینده | همیشه یکسان |
| حس برند | بسیار خوب | خوب، با صدای اختصاصی بهتر |
نکتهٔ حقوقی و اخلاقی: ساخت صدای اختصاصی از روی صدای یک فرد فقط با رضایت کتبی او و مجوز استفاده‌ای که دامنهٔ کاربرد را روشن میکند، مجاز و قابل دفاع است. پیش از استفادهٔ تجاری از هر موتور TTS، شرایط مجوز مدل و دادهٔ صوتی آن را هم بررسی کنید.
چطور یک موتور TTS را برای کار سازمانی انتخاب کنیم؟
- اعداد، تاریخ شمسی، مبلغ ریالی و کدها را درست میخواند؟ با جملههای واقعی سازمان خودتان آزمایش کنید.
- روی خط تلفن واضح است؟
- تأخیر آن برای گفت‌وگوی هم‌زمان کافی است؟
- امکان تلفظ سفارشی برای نام محصولات و برندها دارد؟
- روی سرور سازمان اجرا میشود یا متن پیام‌ها به سرویس خارجی ارسال میشود؟
- مجوز استفادهٔ تجاری از مدل و صدا روشن است؟
برای دیدن TTS در کنار ASR و مدلهای زبانی، راهنمای هوش مصنوعی در مرکز تماس را بخوانید.
تبدیل متن به گفتار در مرکز تماس شما
پیامهای پویای IVR، ربات تلفنی و اعلان‌های خودکار با تبدیل متن به گفتار فارسی، روی زیرساخت سازمان.
پرسش‌های متداول
TTS مخفف چیست؟
TTS مخفف Text-to-Speech به معنای تبدیل متن به گفتار است؛ فناوری‌ای که متن نوشتاری را به صدای طبیعی تبدیل میکند.
فرق TTS و ASR چیست؟
ASR گفتار را به متن تبدیل میکند و TTS متن را به گفتار. در ربات تلفنی و IVR گفتاری، ASR حرف مشتری را میفهمد و TTS پاسخ سامانه را برای او میخواند.
آیا TTS فارسی طبیعی است؟
مدلهای عصبی جدید صدای فارسی بسیار طبیعیتری از نسلهای قبل میسازند. کیفیت نهایی به نرمالسازی اعداد و تاریخ، تلفظ کسرهٔ اضافه و کیفیت دادهٔ آموزشی بستگی دارد و باید با جملههای واقعی سنجیده شود.
آیا میشود صدای تلفن گویا را با هوش مصنوعی ساخت؟
بله؛ پیامهای منوی گویا را میتوان با TTS ساخت و هر زمان در چند ثانیه تغییر داد. برای پیامهایی که شامل اطلاعات متغیر مثل مبلغ یا کد پیگیری هستند، TTS تنها راه عملی است.
کیفیت TTS چطور سنجیده میشود؟
معمولاً با امتیاز MOS که شنوندگان از ۱ تا ۵ به طبیعی بودن صدا می‌دهند، در کنار درستی تلفظ اعداد و نام‌ها، وضوح روی خط تلفن و تأخیر تولید صدا.
