Text to Speech minder robotachtig laten klinken

Je herkent het moment waarop je het hoort. Vlak, slepend, vreemd onnatuurlijk. Het is het onmiskenbare geluid van een robot die woorden voorleest die hij niet kent en niet begrijpt. Misschien was het een ouder text to speech-model (TTS) dat menselijke prosodie niet aankon, of een standaard Interactive Voice Response-systeem (IVR). Hoe dan ook, het werkt afstotend.

Naast dat ze onnatuurlijk klinken, wijst recent onderzoek erop dat robotachtige TTS-stemmen de waargenomen emotionele capaciteit en betrouwbaarheid verminderen. Affectieve spraak bij robots helpt een sterkere band met de luisteraar op te bouwen en verbetert alles, van de kwaliteit van interacties tot de waargenomen behulpzaamheid. Voor bedrijven die TTS op schaal willen inzetten, is een natuurlijk klinkende TTS-stem essentieel.

In dit artikel onderzoeken we hoe je text to speech minder robotachtig laat klinken. We lichten de belangrijkste redenen toe waarom een robotstem niet overtuigt en zetten de beste strategieën uiteen waarmee je mensachtige TTS kunt maken.

Samenvatting

• Robotachtige text to speech mist de eigenschappen die menselijke spraak natuurlijk laten klinken. Het gaat onder meer om toonhoogte, voordracht, pauzes en meer.
• Moderne AI-stemmodellen bootsen het volledige menselijke expressiebereik na, inclusief emotie, ritme en nadruk.
• Je kunt text to speech minder robotachtig laten klinken door de juiste stem te kiezen, de snelheid aan te passen, een hoogwaardig model te selecteren en interpunctiesignalen toe te voegen.
• Ontwikkelaars kunnen SSML-tags en prosodiecontroles gebruiken voor de natuurlijkste output.
• ElevenLabs Text to Speech levert menselijke expressiviteit in meer dan 90 talen.

Waarom klinkt text to speech robotachtig? 

Vroege text to speech-modellen voegden vooral afzonderlijke fonemen samen om te achterhalen hoe een woord moest klinken. Hoewel dit op papier misschien lijkt te werken, is de werkelijke nuance van menselijke taal veel complexer. 

Hoewel de fonemen waarmee het woord ‘better’ in IPA wordt uitgesproken altijd /bɛt ər/ zijn, hangt de totale duur van die klanken sterk af van de toon en emotie van het woord. Een sarcastische en een serieuze zin gebruiken allebei dezelfde fundamentele bouwstenen, maar zetten ze volledig anders in.

Daar gingen vroege text to speech-modellen de mist in.

Dit zijn de belangrijkste factoren die text to speech robotachtig laten klinken:

• Vlakke intonatie: Intonatie is de natuurlijke stijging en daling van de toonhoogte tijdens het spreken. Zonder de intonatie daarop aan te passen, levert TTS een vlak, monotoon antwoord dat voor de luisteraar dreunend aanvoelt.
• Gebrek aan natuurlijke pauzes: Zelfs al zijn ze maar een paar honderdsten van een seconde lang, mensen pauzeren vóór belangrijke woorden en bijzinnen, bij leestekens en om het begin van een nieuwe zin te markeren. Als je TTS-voorlezer leest zonder natuurlijke pauzes in te lassen, klinkt dat vreemd. 
• Weinig emotionele variatie: In slechts een paar zinnen kunnen mensen een breed scala aan emoties doorlopen, die allemaal de prosodie en toon van hun woorden beïnvloeden. Zonder een contextueel begrip van emotie kan een TTS-systeem deze subtiele signalen missen en hol klinken. 
• Onnatuurlijke klemtoonpatronen: In de meeste talen ligt de klemtoon op bepaalde lettergrepen om de betekenis ervan te verduidelijken. Met een robotachtig TTS-systeem mis je die klemtoonpatronen, waardoor woorden vervagen en de kwaliteit van de opname afneemt.
• Onjuiste uitspraak van technische termen: Oudere TTS-modellen struikelen vaak over afkortingen, eigennamen, namen en soms zelfs cijfers. Bijvoorbeeld door iets als ‘Apee’ te zeggen in plaats van ‘API’ letter voor letter uit te spreken wanneer het deze afkorting tegenkomt. Zelfs één geval hiervan kan de luisteraar al snel uit het spoor brengen en wijzen op een onnatuurlijk TTS-patroon.

Als je elk van deze grondoorzaken begrijpt, zie je beter hoe je ze kunt oplossen. Door iteratief te verbeteren hoe een text to speech-model met elk ervan omgaat, kun je een succesvoller model bouwen dat minder robotachtig klinkt.

Hoe AI natuurlijk klinkende text to speech veranderde

Hoewel het oplossen van de vijf bovenstaande punten op papier vrij eenvoudig klinkt, is het in werkelijkheid een enorme opgave die pas haalbaar werd door de toegenomen toegang tot kunstmatige intelligentie. AI-systemen gebruiken neurale netwerken en deep learning om de relatie tussen tekst en spraak beter te begrijpen.

AI-spraakmodellen trainen op enorme hoeveelheden data uit opnamen van echte mensen om iteratief kennis op te bouwen en de uitspraak in de loop der tijd te verfijnen. Hier volgt een korte gids voor de AI-technologieën die dat mogelijk maakten:

• Deep learning en prosodiemodellering: Neurale netwerken trainen op menselijke spraak als geheel, waaronder ritme, klemtoon, intonatie en afgeleide betekenis. In plaats van zich alleen op uitspraak te richten, bouwen deep learning-modellen een betere context op voor hoe een volledige zin moet klinken en wat die betekent.

• End-to-end-modellen: In plaats van TTS op te splitsen in afzonderlijke modules, zoals Grapheme-to-Phoneme en prosodiegeneratie, kunnen AI-modellen het volledige proces in één keer afhandelen. Door al deze systemen samen te brengen, neemt de latency af en ontstaat tegelijkertijd natuurlijker klinkende TTS-output.

Door deze technologieën te combineren, kan AI-stemgeneratie emotie uitdrukken en het tempo binnen een zin variëren. Op schaal levert dit AI-stemmen op die vrijwel niet van menselijke opnamen te onderscheiden zijn.

Hoe je AI-voice-overs minder robotachtig laat klinken

Of je nu van plan bent een luisterboekversie van een roman, een educatief e-book of gids, of zelfs video's te publiceren waarvoor audiovertaling of een script nodig kan zijn: door natuurlijk klinkende audio voorrang te geven, bied je je publiek een prettige luisterervaring.

De kwaliteit van text to speech verbeteren is ook een manier om de toegankelijkheid te verbeteren van audiocontent, waarmee je je publiek helpt uit te breiden en toegankelijke content creëert.

Er zijn verschillende manieren waarop je TTS kunt optimaliseren om een natuurlijk klinkende menselijke stem te produceren zonder veel tijd of middelen te besteden.

Laten we hieronder enkele van deze strategieën bekijken.

Kies een hoogwaardig stemmodel

De belangrijkste factor die bepaalt of je text to speech-output robotachtig klinkt, is misschien wel het model dat je gebruikt om die te maken. Stemmen die zijn gebouwd op kleinere datasets of oudere synthetische architecturen klinken minder natuurlijk, omdat ze bij het produceren van audio niet over dezelfde hoeveelheid kennis beschikken.

Let bij het kiezen van een TTS-platform op:

• Grote, diverse trainingsdatasets
• Expressieve modellen, ontworpen voor emotie 
• De mogelijkheid om audio te produceren voor uiteenlopende toepassingen, van narratie tot conversationele spraak

Een sterk model biedt dit en meer, zonder dat je op kwaliteit hoeft in te leveren. 

Pas de stembediening aan

De meeste moderne TTS-platforms bieden enige flexibiliteit in de manier waarop je hun stemoutput configureert. Als de stem iets te langzaam klinkt of de toonhoogte net niet goed is, kun je hier iteratieve aanpassingen doen om de stem natuurlijker te laten klinken.

Hoewel de specifieke instellingen per platform verschillen, kun je bij ElevenLabs de snelheid, stabiliteit, overeenkomst en stijl van de output aanpassen. Hiermee kun je het tempo en de expressieve eigenschappen van een stem verfijnen, zodat het model zo realistisch mogelijk aanvoelt.

Vooral als je een TTS-agent voor een specifieke toepassing wilt inzetten, kun je door met deze eigenschappen te experimenteren output creëren die perfect past. 

Gebruik Speech Synthesis Markup Language (SSML)

SSML is een op XML gebaseerde standaard waarmee je nauwkeurig bepaalt hoe TTS-engines menselijke spraak weergeven. Wanneer je de ElevenLabs Text to Speech API gebruikt, kun je SSML-elementen implementeren om de spraak van AI-agents nauwkeuriger te structureren.

Dit zijn enkele belangrijke Speech Synthesis Markup Language-elementen die je kunt gebruiken:

<speak>
  <!-- Add a pause of 500 milliseconds -->
  <break time="500ms"/>

  <!-- Control speech rate and pitch -->
  <prosody rate="slow" pitch="+2st">
    This needs emphasis.
  </prosody>

  <!-- Spell out an acronym -->
  <say-as interpret-as="characters">API</say-as>

  <!-- Force correct pronunciation -->
  <phoneme alphabet="ipa" ph="ˈtɛknɪkəl">
    technical
  </phoneme>
</speak>

Met deze tags kun je precies bepalen hoe de TTS-software bepaalde woorden uitspreekt. Voor niet-technische gebruikers biedt Eleven v4 de mogelijkheid om expressieve audiotags in je scripts op te nemen om specifieke regels vast te leggen. Extra informatie zoals [sarcastically] of [long pause] zorgt voor contextueel rijke scripts.

Voeg ritme toe

Hoewel dit vaak onbewust gebeurt, voegen mensen tijdens het spreken een natuurlijk ritme toe. Voeg prosodische kenmerken toe aan je text to speech-tools om ervoor te zorgen dat ze authentiek klinkkende narratie produceren en gesprekken uit het echte leven nabootsen.

Ritme kan variaties in toonhoogte en nadruk op specifieke woorden of zinnen omvatten, terwijl een natuurlijk spreektempo behouden blijft. Pas dit echter niet te veel toe. Een audioclip met veel variatie kan artefacten gaan produceren. 

Overweeg stemklonentechnologie

Een andere manier om je text to speech-platform naar een hoger niveau te tillen, is je eigen stem erin op te nemen. ElevenLabs biedt een enorme catalogus met vooraf gebouwde stemmen om mee te experimenteren, maar je kunt ook een paar minuten nemen om je eigen stem te klonen en die in je producten te gebruiken. 

Je kunt kiezen voor Instant Voice Cloning of Professional Voice Cloning, afhankelijk van het eindresultaat dat je zoekt en hoeveel tijd je hebt. Zelfs met de eerste optie produceer je een hoogwaardige stemkloon die je natuurlijke manier van spreken vastlegt.

Bekijk voor meer informatie onze uitgebreide uitleg over het klonen van je stem.

Hoe ElevenLabs AI-voice-overs minder robotachtig laat klinken

ElevenLabs Text to Speech gebruikt eigen stemmodellen die zijn getraind op professionele menselijke audio met tientallen spreekstijlen, accenten, emoties en scenario's. Ons meest emotieve model tot nu toe, Eleven v4, omvat het volledige menselijke affectieve bereik en levert hoogwaardige audio, ongeacht de toepassing.

Een aantal kernfactoren onderscheidt de natuurlijke TTS van ElevenLabs van andere tools:

• Natuurlijke, mensachtige expressiviteit: Eleven v4 past de voordracht automatisch aan de emotionele context van je tekst aan. Door de context van wat je hebt geschreven te lezen en te begrijpen, brengt het de emoties over die je woorden echte betekenis geven.
• Meer dan 90 talen: In meer dan 70 talen kan Eleven v4 een uitspraak van bijna moedertaalniveau leveren. Bekijk de volledige lijst met talen die Eleven v4 ondersteunt.
• API-toegang: Met de ElevenLabs Text to Speech API kun je onze TTS in je ecosystemen integreren. Dankzij lage latency kunnen we je realtime-applicaties voorzien van natuurlijk klinkende stemmen. 
• Stembibliotheek: Onze uitgebreide stembibliotheek laat je door honderden mogelijke stemmen bladeren, zodat je de best mogelijke professionele stem voor je systemen kunt kiezen.
• Integratie in het bredere ecosysteem: Text to Speech is slechts één onderdeel van het ElevenLabs-ecosysteem. Van ons uitgebreide aanbod tools binnen ElevenCreative tot volledige end-to-endproductie van AI-agents met ElevenAgents: we bieden je de beste AI-stemsystemen.

Samen helpen deze mogelijkheden je bedrijf van natuurlijk klinkende AI-stemmen te voorzien.

Ga aan de slag met ElevenLabs Text to Speech voor minder robotachtige AI-voice-overs

De snelste manier om het verschil tussen een robotachtig TTS-model en natuurlijke TTS te horen, is het zelf proberen. Of je nu een volledige conversationele agent bouwt voor klantvragen of gewoon snel toegang wilt tot natuurlijk klinkende TTS: ElevenLabs heeft iets voor je.

ElevenLabs biedt binnen enkele seconden audio van studiokwaliteit. Plak een tekst, selecteer een stem en ga aan de slag. Ontdek meer over de tool ElevenLabs Text to Speech of registreer je om vandaag nog aan de slag te gaan.

Veelgestelde vragen over AI-voice-overs minder robotachtig laten klinken