Künstliche Erzeugung der menschlichen Sprechstimme

Sprachsynthese

Sprachsynthese

Unter Sprachsynthese versteht man die künstliche Erzeugung der menschlichen <a href="/de/Stimmbildung" title="Stimmbildung" class="wl">Sprechstimme</a>. Ein Text-to-Speech-System (TTS) (oder Vorleseautomat) wandelt <a href="/de/Fließtext" title="Fließtext" class="wl">Fließtext</a> in eine akustische Sprachausgabe.

<figure class="mw-default-size wiki-thumb"><a href="/de/Datei:Homer_Dudley_(October_1940)._&quot;The_Carrier_Nature_of_Speech&quot;._Bell_System_Technical_Journal,_XIX(4);495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_(derived_from_Fig.8).jpg" class="mw-file-description image media-thumb" data-hash="Datei:Homer_Dudley_(October_1940)._&quot;The_Carrier_Nature_of_Speech&quot;._Bell_System_Technical_Journal,_XIX(4);495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_(derived_from_Fig.8).jpg"><img loading="lazy" src="//upload.wikimedia.org/wikipedia/commons/thumb/b/b6/Homer_Dudley_%28October_1940%29._%22The_Carrier_Nature_of_Speech%22._Bell_System_Technical_Journal%2C_XIX%284%29%3B495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_%28derived_from_Fig.8%29.jpg/220px-thumbnail.jpg" decoding="async" data-file-width="1734" data-file-height="1100" data-file-type="bitmap" height="140" width="220" srcset="//upload.wikimedia.org/wikipedia/commons/thumb/b/b6/Homer_Dudley_%28October_1940%29._%22The_Carrier_Nature_of_Speech%22._Bell_System_Technical_Journal%2C_XIX%284%29%3B495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_%28derived_from_Fig.8%29.jpg/330px-thumbnail.jpg 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/b6/Homer_Dudley_%28October_1940%29._%22The_Carrier_Nature_of_Speech%22._Bell_System_Technical_Journal%2C_XIX%284%29%3B495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_%28derived_from_Fig.8%29.jpg/440px-thumbnail.jpg 2x" alt="Homer_Dudley_%28October_1940%29._%22The_Carrier_Nature_of_Speech%22._Bell_System_Technical_Journal%2C_XIX%284%29%3B495-515._--_Fig.7_Schematic_circuit_of_the_vocoder_%28derived_from_Fig.8%29.jpg"></a><figcaption>Schema für den „Vocoder“ von Homer Dutley (1940)</figcaption></figure>

Grundsätzlich lassen sich zwei Ansätze zur Erzeugung von Sprachsignalen unterscheiden. Zum einen kann durch die sogenannte Signalmodellierung auf Sprachaufnahmen (<a href="/de/Sampling_(Musik)" title="Sampling (Musik)" class="wl">Samples</a>) zurückgegriffen werden. Zum anderen kann das Signal aber auch durch die sogenannte physiologische (artikulatorische) Modellierung vollständig im Rechner erzeugt werden. Während die ersten Systeme auf <a href="/de/Formant" title="Formant" class="wl">Formantsynthesen</a> beruhten, basieren die zurzeit industriell eingesetzten Systeme vorwiegend auf Signalmodellierung.

Ein besonderes Problem für die Sprachsynthese ist die Erzeugung einer natürlichen Sprachmelodie (<a href="/de/Prosodie" title="Prosodie" class="wl">Prosodie</a>).

Unter Sprachsynthese versteht man die künstliche Erzeugung der menschlichen Sprechstimme. Ein Text-to-Speech-System  wandelt Fließtext in eine akustische Sprachausgabe. Grundsätzlich lassen sich zwei Ansätze zur Erzeugung von Sprachsignalen unterscheiden. Zum einen kann durch die sogenannte Signalmodellierung auf Sprachaufnahmen zurückgegriffen werden. Zum anderen kann das Signal aber auch durch die sogenannte physiologische Modellierung vollständig im Rechner erzeugt werden. Während die ersten Systeme auf Formantsynthesen beruhten, basieren die zurzeit industriell eingesetzten Systeme vorwiegend auf Signalmodellierung. Ein besonderes Problem für die Sprachsynthese ist die Erzeugung einer natürlichen Sprachmelodie . 