Ένα κλικ στο ποντίκι κι η οθόνη του υπολογιστή αρχίζει να «μιλάει»...

Μια γυναικεία φωνή αρχίζει να διαβάζει λέξη τη λέξη, πρόταση την πρόταση, τα κείμενα από ένα παλαιότερο αφιέρωμα του Technoλογείν, που βλέπουμε μπροστά μας. Καθαρά, σωστά, ολοκληρώνει τη μια στήλη και περνάει δίπλα, στα βιογραφικά, τις λεζάντες, τους χρήσιμους συνδέσμους.

Ένα κλικ σε δυο-τρία πλήκτρα συντόμευσης μας πηγαίνει πιο βαθιά, ανοίγοντας δεύτερη και τρίτη σελίδα& Η φωνή συνεχίζει απτόητη να διαβάζει με καθαρή, σωστή άρθρωση και εκφραστικότητα. Ούτε εγώ να ήμουν, που τα ξέρω καλά, γιατί τα έγραψα...

Ο ερευνητής του Ινστιτούτου Επεξεργασίας του Λόγου και συντονιστής της ομάδας σύνθεσης φωνής από κείμενο, Σπύρος Ράπτης, με κοιτάζει χαμογελώντας με την έκπληξή μου. Βλέπετε, η φωνή που ακούω να απαγγέλλει τα κείμενα είναι συνθετική.

Κι όμως, είναι τόσο μεγάλη η προσέγγιση, που πρέπει να προσέξεις πολύ για να καταλάβεις τη διαφορά από έναν πραγματικό εκφωνητή. Ίσως, γιατί τη φωνή που ακούμε τη «δάνεισε» ένας πραγματικός εκφωνητής, μόνο που εκείνος (ή εκείνη, στην περίπτωσή μας) είχε διαβάσει εντελώς διαφορετικά κείμενα...

Τρίτη (γενιά) και καλύτερη...

Η συνθετική φωνή (που εμάς μας εντυπωσίασε στην εφαρμογή των ομιλούντων ιστοτόπων, δηλαδή στην ανάγνωση του περιεχομένου ιστοσελίδων) προφανώς δεν είναι κάτι καινούριο. Ήδη από τη δεκαετία του '30 υπήρχαν μηχανές που μιλούσαν στον κινηματογράφο (ιδιαίτερα εκεί, στις ταινίες της τότε επιστημονικής φαντασίας) αλλά κι έξω από αυτόν.

Όμως, ο ήχος ήταν εντελώς μεταλλικός και η φωνή ακουγόταν λες και ο ομιλών είχε& μανταλάκι στη μύτη (που ίσως και να είχε, για να αποδοθεί καλύτερα το εφέ!) Από τότε, πολύ νερό κύλησε στο αυλάκι...

Περάσαμε μια και δυο τεχνολογικές γενιές συστημάτων σύνθεσης και τώρα πια βρισκόμαστε αισίως στην τρίτη, με την τεχνολογία να είναι αρκούντως ώριμη και να χρησιμοποιείται πλέον σε ολοένα και περισσότερες εφαρμογές, αφού τα «προϊόντα» της είναι, αν μη τι άλλο, αληθοφανή.

Στα καθ' ημάς, οι έρευνες πάνω στη σύνθεση φωνής σε ελληνική γλώσσα είχαν ξεκινήσει οργανωμένα ήδη από τις αρχές της δεκαετίας του '90, από το Ινστιτούτο Επεξεργασίας του Λόγου, που παρουσίασε το 1997 ως πρώτο προϊόν του, τον «Εκφωνητή», ο οποίος πέντε χρόνια αργότερα αναβαθμίστηκε (χρησιμοποιώντας διαφορετική τεχνολογική προσέγγιση) σε «Εκφωνητή +».

Πριν από σχεδόν δυο χρόνια, βελτιώθηκε ακόμα περισσότερο, χάρη σε μια διαφορετική τεχνολογική προσέγγιση, και καταφέρνει να δώσει ιδιαίτερα αξιόπιστα ακουστικά αποτελέσματα.

Τώρα, η σύνθεση φωνής γίνεται με τη χρήση «λογατόμων», δηλαδή στοιχειωδών φωνημάτων, που επιλέγονται με τη βοήθεια σύνθετων αλγορίθμων, από την πραγματική φωνή ενός εκφωνητή ή εκφωνήτριας, ενώ σημαντικότατο ρόλο στη φυσικότητα του αποτελέσματος παίζει πλέον και η απόδοση της προσωδίας, της μελωδικότητας και της ιδιαίτερης χροιάς με την οποία κάθε άνθρωπος «στολίζει» τη φωνή του.

Η ταυτότητα των «γενητόρων»

Το Ινστιτούτο Επεξεργασίας του Λόγου ιδρύθηκε το 1991, με έδρα την Αθήνα ως ανεξάρτητο Ινστιτούτο, και σήμερα υπάγεται στο Ερευνητικό Κέντρο «Αθηνά».

Στόχος του είναι να αποτελεί κέντρο αριστείας στη βασική και εφαρμοσμένη έρευνα σε πολλούς και ποικίλους τομείς, όπως η επεξεργασία φυσικής γλώσσας, η επεξεργασία, σύνθεση και αναγνώριση φωνής, η επεξεργασία μουσικής και ήχου, η ηλεκτρονική μάθηση και η μάθηση από απόσταση σε θέματα γλώσσας, πολιτισμού και μουσικής.

Οι κύριοι τεχνολογικοί άξονες στους οποίους κινείται η αναπτυξιακή του δραστηριότητα είναι τα ηλεκτρονικά και υπολογιστικά μονόγλωσσα και πολύγλωσσα λεξικά, τα υπολογιστικά εργαλεία μηχανικής μετάφρασης και υποβοήθησης της μεταφραστικής διαδικασίας, η επεξεργασία και ανάκτηση πολυμεσικής και πολύγλωσσης πληροφορίας, η διόρθωση λαθών σε ηλεκτρονικά κείμενα, τα αυτόνομα και ενσωματωμένα συστήματα σύνθεσης και αναγνώρισης ομιλίας, τα συστήματα υποστήριξης Ατόμων με Αναπηρία και τα συστήματα παρουσίασης και διαχείρισης πολιτιστικού περιεχομένου.

Όμως, όπως συμβαίνει συχνά στο χώρο της έρευνας, τα αποτελέσματά της μπορούν να εκφραστούν καλύτερα και να αξιοποιηθούν εμπορικά (πάγιο ζητούμενο από δεκαετίες παραμένει η σύνδεση των ερευνητικών αποτελεσμάτων με την παραγωγή) μέσα από μια εταιρία τεχνοβλαστό.

Στη συγκεκριμένη περίπτωση, αυτή ακούει στο όνομα innoetics και ιδρύθηκε το 2006 ως εταιρεία έντασης γνώσης.

Σ' αυτή συμμετέχουν ερευνητές με ειδίκευση στους τομείς της γλωσσικής επεξεργασίας, της επεξεργασίας σημάτων, των επικοινωνιών, της ρομποτικής και των τεχνολογιών γνώσης, καθώς και άλλοι συνεργάτες με σημαντική εμπειρία στη σχεδίαση και υλοποίηση καινοτόμων λύσεων.

Φυσικά, η innoetics διατηρεί στενή σχέση με τις ερευνητικές της ρίζες, επενδύοντας παράλληλα στη διάχυση των ερευνητικών αποτελεσμάτων και την αξιοποίησή τους μέσω καινοτόμων λύσεων οι οποίες μπορούν να επηρεάσουν δραστικά την καθημερινότητά μας, τον τρόπο που επικοινωνούμε, μαθαίνουμε και ψυχαγωγούμαστε.

Όπως δήλωσε στο Pathfinder ο Σπύρος Ράπτης, «η innoetics αναπτύσσει και προσφέρει πρωτοποριακά προϊόντα, υπηρεσίες και εργονομίες με στόχο την αμεσότερη και διαισθητική αλληλεπίδραση του χρήστη με το περιεχόμενο, είτε στο διαδίκτυο είτε και σε κάθε άλλο ηλεκτρονικό μέσο.

Το όραμά της είναι η βελτίωση της ποιότητας της ψυχαγωγικής εμπειρίας, η αύξηση της χρηστικότητας των εκδόσεων, η διευκόλυνση της πρόσβασης στην πληροφορία μέσω εναλλακτικών τρόπων διανομής και «κατανάλωσης» του περιεχομένου, η διευκόλυνση της καθημερινής επικοινωνίας και ενημέρωσης και η υποβοήθηση της μάθησης και της διδασκαλίας».

Πολλές οι εφαρμογές...

Η συζήτηση με τους ερευνητές του ΙΕΛ είναι αποκαλυπτική σ' ό,τι αφορά στις προοπτικές αυτής της τεχνολογίας: η επίτευξη ποιοτικής συνθετικής φωνής μπορεί να ανοίξει νέους δρόμους και να επιδράσει καταλυτικά στην ανάπτυξη νέων καινοτόμων εφαρμογών και υπηρεσιών, οι οποίες ήταν ως τώρα ανέφικτες, με το επίπεδο ποιότητας που είχαμε στη διάθεσή μας.

Κι αυτό γιατί η φωνή είναι βασικό υποστηρικτικό εργαλείο στην υποκατάσταση της γραπτής ή γενικότερα οπτικής πληροφορία, για ειδικές ομάδες ατόμων όπως τα άτομα με προβλήματα όρασης (τυφλοί ή μερικώς βλέποντες), οι ηλικιωμένοι, οι δυσλεξικοί, τα άτομα που δυσκολεύονται να χειριστούν έντυπα μέσα, εκείνα που δε γνωρίζουν επαρκώς τη γλώσσα μας (π.χ. μετανάστες) και όχι μόνο...

Η τεχνολογία σύνθεσης φωνής από κείμενο μπορεί, επομένως, να αποτελέσει τη βάση για ένα πλήθος υπηρεσιών που αφορούν δυνητικά κάθε άνθρωπο. Για παράδειγμα, μπορεί να δώσει λύση σε περιπτώσεις προσωρινής «ανικανότητας» χρησιμοποίησης οπτικής πληροφορίας, όπως συμβαίνει όταν κάποιος οδηγεί.

Για άλλους, πάλι, η ακουστική πληροφορία είναι μερικές φορές πιο λειτουργική απ' ό,τι η οπτική (πχ για εκφώνηση ειδησεογραφικών άρθρων, αντί για ανάγνωση από την οθόνη και προσήλωση μπροστά στον υπολογιστή).

Μπορεί, επίσης, να λειτουργήσει συμπληρωματικά με άλλα μέσα, σαν κανάλι πληροφορίας παράλληλο με το οπτικό, αλλά και για τον εμπλουτισμό της αλληλεπίδρασης με την πληροφορία.

...και ευοίωνο το μέλλον!

Ο στόχος των αναπτυξιακών προσπαθειών της ερευνητικής ομάδας ακούγεται ιδιαίτερα φιλόδοξος, έτσι όπως μας τον περιέγραψαν: η δημιουργία συνθετικών φωνών που δεν θα ξεχωρίζουν ποιοτικά από τη φυσική ομιλία, θα έχουν υψηλή εκφραστικότητα, θα καλύπτουν μεγάλο εύρος ηχοχρωμάτων και διαφορετικών στυλ εκφώνησης και θα αξιοποιούνται σε πλήθος εφαρμογών προστιθέμενης αξίας, μετασχηματίζοντας δραστικά τον τρόπο που αλληλεπιδρούμε καθημερινά με ηλεκτρονικά μέσα και υπηρεσίες.

Μάλιστα, οι βλέψεις τους δεν περιορίζονται μόνο εντός των συνόρων: μας επεσήμαναν ότι η Ελλάδα, με την πολύχρονη ερευνητική και αναπτυξιακή της εμπειρία στον τομέα της γλωσσικής τεχνολογίας, μπορεί να παίξει σημαντικό ρόλο στη διάχυση γλωσσικής τεχνολογίας σε γειτονικές χώρες, πολλές από τις οποίες συγκριτικά υστερούν.

Ήδη, στο ΙΕΛ βρίσκεται σε εξέλιξη ερευνητικό έργο διασυνοριακής συνεργασίας Interreg, με στόχο τη μεταφορά της τεχνολογίας σύνθεσης φωνής στη βουλγαρική γλώσσα.