История синтеза речи: эпоха электрических решений

В прошлый раз мы рассказывали ^[1] о механических устройствах для синтеза речи — голосовом тракте Кемпелена и «говорящей голове» Иосифа Фабера. На очереди электрические синтезаторы XX века.

^{[2]
Фото Rock'n Roll Monkey [3] / Unsplash}

Первые электрические установки

В 1850 году немецкий физик и врач-физиолог Герман фон Гельмгольц представил свою резонаторную теорию ^[4]. Он заметил, что у гласных звуков разные резонансные частоты (форманты). Эти форманты образуются при прохождении звуковой волны от голосовых связок к губам. Некоторые волны отражаются от губ говорящего и идут к реципиенту, а часть — возвращается к источнику. Ученый предположил, что голосовой тракт человека можно представить как последовательность резонаторов.

В начале XX века начались попытки реализовать такую модель на основе электрических компонентов. Первый синтезатор такого типа разработал физик Джон Стюарт. Его схема (опубликованная ^[5] в журнале Nature), включала в себя электрический зуммер для моделирования связок и пару индуктивно-емкостных резонаторов. Они эмулировали физические процессы, происходящие со звуком в горле.

^{Схема синтезатора, разработанного Джоном Стюартом}

Устройство Стюарта могло издавать звуки, состоящие из двух формант. Это — несколько простых гласных, а также дифтонги ^[6]. Но на этом его возможности заканчивались.

Первый электрический синтезатор, способный воспроизводить речь появился ^[7] позже — в 1930 годах. Его разработал Гомер Дадли (Homer Dudley) из Bell Laboratories. В то время компания работала над вокодером ^[8] — инструментом для сжатия речи и экономии частотных ресурсов радиолинии в телефонных сетях. Идея заключалась в том, чтобы вместо голоса абонента передавать его ключевые параметры. На принимающей стороне устанавливался специальный декодер, который по этим параметрам реконструировал и воспроизводил звук. Дадли понял, что с небольшими модификациями вокодер можно превратить в полноценный синтезатор. Так появилась система VODER ^[9] — Voice Operating Demonstrator.

Устройство представили широкой публике на нью-йоркской всемирной выставке в 1939 году. В конструкцию VODER входили ^[10] два источника звука: ламповый генератор шума для «глухих» фонем, и осциллятор — для «звонких». Также имелись десять параллельно соединенных полосовых фильтров — они составляли блок управления резонансами. Оператор руководил системой с помощью ручной клавиатуры, браслета на запястье и ножной педали.

Во время демонстраций аппарат говорил на разных языках, пел и отвечал на вопросы с различными интонациями. Но чтобы раскрыть потенциал системы, её оператору требовались годы тренировок.

Вскоре после премьеры VODER началась Вторая мировая война, и Bell Labs пришлось свернуть дальнейшую разработку синтезатора. Однако знания, полученные во время работы над проектом, Гомер Дадли использовал ^[11] для создания технологии шифрования телефонных разговоров.

Синтезаторы речи на спектрограммах

В 1946 году был изобретен ^[12] акустический спектрограф. И возникла идея — использовать спектрограммы для управления речевыми синтезаторами. Одним из первых такое устройство представил Л. Шотт (L. Schott), американский инженер из Bell Labs. Он использовал линейный источник света, просвечивающий спектрографические шаблоны с разной степенью прозрачности. Специальные фотоэлементы, установленные напротив лампы, регистрировали изменения уровня освещенности и генерировали управляющие сигналы для полосовых фильтров. Точно такие же фильтры использовал Гомер Дадли для своего VODER.

^{Фото 120years.net [13]}
Другую разработку в этой области представила группа американских ученых во главе с физиком Франклином Купером (Franklin Cooper ^[14]). Их оптическая система — Pattern Playback ^[15] — модулировала гармоники основного тона 120 Гц, считывая изображения на движущейся прозрачной ленте. Визуальная информация передавалась осциллятору, превращавшему её в звук.

В каком-то смысле система напоминала советские оптические синтезаторы ^[16] — «Нивотон» и «Вариофон» — на которых писали музыку для мультфильмов. Однако Pattern Playback был изначально «заточен» под генерацию человеческой речи и умел воспроизводить целые предложения.

Устройства, подобные Pattern Playback и VODER, построили теоретический фундамент для проектирования формантных и артикуляционных синтезаторов. Они стали прототипом современного компьютерного синтеза. О них мы расскажем в следующий раз.

История аудиотехнологий: синтезаторы и сэмплеры ^[17]
Траутониум: немецкая волна в истории синтезаторов ^[18]
Музыка из бумаги и картона: краткая история вариофона и «рисованного звука» ^[16]
«Машинный звук»: синтезаторы на базе нейросетей ^[19]
Звук на проволоке: история телеграфона ^[20]

Автор: Audioman

Источник ^[21]