Przejdź do treści
promptowy.com / AI-ordbog / TTS og STT (Tekst-til-tale og tale-til-tekst)
Billeder, video og lyd

TTS og STT (Tekst-til-tale og tale-til-tekst)

TTS omdanner skreven tekst til naturtro tale, mens STT forvandler talt sprog til tekst. Sammen gør de stemmestyring og samtaler med computere mulige.

TTS står for Text-to-Speech (tekst-til-tale), mens STT står for Speech-to-Text (tale-til-tekst). Hvor TTS gør det muligt for computere at oplæse skriftlige ord med en naturlig menneskestemme, gør STT det modsatte: Teknologien lytter til en lydoptagelse eller en mikrofon og omskriver de talte ord til ren tekst.

Hver for sig løser de to teknologier helt konkrete opgaver i hverdagen, lige fra automatisk tekstning af videoer til oplæsning af nyhedsartikler. Når de kombineres med en sprogmodel, udgør de grundstenen i moderne stemmeassistenter og stemmestyrede computere, hvor du kan føre en flydende, mundtlig samtale med en maskine.

To sider af samme kommunikation

For at forstå samspillet kan man betragte teknologierne som maskinens ører og mund:

  • STT (Tale-til-tekst): Kaldes ofte også for automatisk talegenkendelse (ASR). Algoritmen analyserer lydbølger, opdeler dem i små lyddele (fonemer) og matcher dem med sandsynlige ord og sætninger baseret på grammatik og kontekst. Det bruges blandt andet til diktering, automatisk mødereferat og undertekstning.
  • TTS (Tekst-til-tale): Systemet analyserer skreven tekst, tager højde for tegnsætning, betoning og sætningsstruktur, hvorefter en neural stemmemodel genererer en syntetisk lydfil. Moderne systemer kan tilføje pauser, vejrtrækning og varierende toneleje, så stemmen ikke længere lyder robotagtig.

Stemmeløkken: Sådan arbejder de sammen

Når du taler med en avanceret samtale-AI, sker der en lynhurtig kædereaktion i tre trin. Først fanger STT din stemme og omsætter dine ord til tekst. Derefter læser en sprogmodel teksten, finder frem til det mest meningsfulde svar og formulerer en skriftlig respons. Til sidst overtager TTS og læser svaret højt for dig. Hele denne proces tager ofte under et sekund, hvilket skaber en overbevisende illusion om en direkte, mundtlig dialog.

Udfordringen med det danske sprog

Dansk er berygtet for at være et vanskeligt sprog for computere at afkode. Vores sprog er præget af mange vokallyde, sammentrækninger af ord i hurtig tale samt det særlige danske stød. Hvor en engelsk model ofte har enorme mængder træningsdata at trække på, har modeller til dansk tale historisk haft sværere ved at skelne mellem ord, der udtales næsten ens.

I dag har neurale netværk dog løftet kvaliteten markant. Både genkendelsen af fynsk eller jysk udtale og gengivelsen af den naturlige melodi i en københavnsk sætning er blevet markant bedre. Alligevel bør man altid teste systemerne grundigt på netop den type dansk tale, man forventer at modtage.

Praktisk brug i hverdagen

Forestil dig en tømrer i Kolding, der er på farten mellem to byggepladser. I stedet for at stoppe bilen for at taste notater ind på telefonen, taler han direkte til sit sagsstyringssystem via STT. Systemet transskriberer hans observationer, retter småfejl og gemmer notatet i den rette sag. Når han senere beder om en status på dagens materialebestillinger, læser telefonens TTS svaret op, mens han kører videre.

I sundhedsvæsenet og på landets rådhuse bruges STT til at transskribere samtaler og journalnotater, mens TTS sikrer, at svagtseende borgere nemt kan få læst breve fra det offentlige op.

Typiske fejl og faldgruber

En almindelig misforståelse er, at tale-til-tekst kan levere fejlfrie transskriptioner uanset optageforholdene. Hvis en samtale optages med en dårlig mikrofon i et rum med rungende akustik, kaffekopper der klirrer eller flere personer, der taler i munden på hinanden, falder præcisionen drastisk. God lydkvalitet ved kilden er altid afgørende.

Ved tekst-til-tale overser mange ofte forkortelser og specifikke fagudtryk. Hvis en dansk TTS-model møder usædvanlige vejnavne, forkortelser som f.eks. eller engelske låneord midt i en dansk tekst, kan udtalen hurtigt fejle, medmindre man manuelt tilpasser teksten eller benytter et fonetisk leksikon.

Ofte stillede spørgsmål

Hvad betyder forkortelserne TTS og STT?

TTS står for Text-to-Speech (tekst-til-tale), som læser tekst højt. STT står for Speech-to-Text (tale-til-tekst), som forvandler lyd og talt sprog til skreven tekst.

Hvorfor har tale-til-tekst svært ved dansk tale?

Dansk indeholder mange bløde konsonanter, udtalte sammentrækninger og det specielle danske stød, hvilket gør det sværere for algoritmer at adskille ordene end på mange andre sprog.

Kan STT kende forskel på flere talere i et møde?

Ja, avancerede systemer anvender en teknik kaldet diarization, som kan registrere stemmeprofiler og opdele transskriptionen mellem forskellige deltagere.

Kan man justere tonelejet i en TTS-stemme?

Ja, de fleste moderne værktøjer tillader justering af hastighed, toneleje og betoning, og visse avancerede modeller kan endda tilføje specifikke følelser som glæde eller alvor.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›