TTS og STT (tale og tekst)
TTS forvandler skrevet tekst til naturlig tale, mens STT gjør det motsatte ved å transkribere innspilt eller direkte tale til ren tekst.
TTS står for text-to-speech (tekst til tale) og er en teknologi som gjør skrevet tekst om til syntetisk, hørbar tale. STT står for speech-to-text (tale til tekst), ofte også kalt automatisk talegjenkjenning eller ASR, og gjør den stikk motsatte jobben ved å lytte til lydopptak eller stemmer og konvertere ordene til redigerbar tekst.
Sammen utgjør disse to teknologiene fundamentet for moderne stemmestyring, automatiske referater og tilgjengelighet på nett. Når du snakker med en digital assistent, er det STT som oversetter stemmen din til data maskinen kan forstå, før en språkmodell formulerer et svar, og en TTS-motor leser svaret høyt for deg med en naturlig stemme.
Hvordan teknologiene virker i hverdagen
Tradisjonell tekst-til-tale hørtes ofte mekanisk og hakkete ut, nesten som en robot fra en gammel science fiction-film. Dagens nevrale TTS-modeller analyserer setningens oppbygging, forstår kontekst og legger til riktig tonefall, pauser og betoning. Dermed høres stemmen menneskelig ut, enten det gjelder opplesing av nyheter, lydbøker eller varslinger i kollektivtrafikken.
På den andre siden bryter STT ned lydbølger i ørsmå deler og matcher dem mot kjente språkmønstre. Moderne modeller håndterer bakgrunnsstøy, ufullstendige setninger og ulike taletempo på en måte som var umulig for bare få år siden. Resultatet er at møtereferater, undertekster på videoer og journalnotater kan produseres på brøkdelen av tiden det tar å skrive for hånd.
Praktisk bruk i norske virksomheter
Teknologien skaper stor verdi i norsk arbeidsliv og offentlig sektor. Tenk deg en håndverkerbedrift i Bergen. Rørleggeren kan bruke STT på telefonen til å diktere en detaljert servicerapport mens hun sitter i varebilen mellom to oppdrag, i stedet for å bruke kvelden på papirarbeid.
I skolen og hos kommunale etater åpner verktøyene opp for universell utforming:
- Lese- og skrivehjelp: Elever med dysleksi kan lytte til lærebøker via TTS og diktere egne innleveringer med STT.
- Kommuneadministrasjon: Et kommunestyre i Trøndelag kan tekste lange debatter automatisk slik at innbyggerne enkelt kan søke i sakene etterpå.
- Kundeservice: Lokale sparebanker kan la kunder forklare ærendet sitt muntlig over telefon, hvorpå systemet transkriberer henvendelsen og ruter den til riktig rådgiver.
Den særnorske utfordringen: Dialekter og tonefall
Norge har et enormt språklig mangfold med store dialektforskjeller og to offisielle skriftmål, bokmål og nynorsk. I tillegg har norsk såkalt tonem, der tonefallet endrer betydningen av et ord (som forskjellen på bønder og bønner). Dette gjør norsk til et krevende språk for både TTS og STT.
En STT-modell som er trent utelukkende på standard østnorsk kan fort få problemer med en taler fra indre Sogn eller en kjapp dialekt fra Stavanger. På samme måte kan en TTS-stemme som mangler god norsk prosodi høres kunstig ut dersom den legger trykket på feil stavelse i sammensatte ord. Når du velger verktøy, er det derfor helt avgjørende å teste dem på faktiske opptak fra miljøet der de skal brukes.
Slik tester du verktøyene i praksis
Før du tar i bruk en løsning for hele bedriften eller klasserommet, bør du gjennomføre en enkel testrutine:
- Test med ulik lydkvalitet: Gjør opptak med både en god bordmikrofon og en vanlig mobilmikrofon i et rom med litt klang.
- Inkluder faguttrykk: Les inn en tekst som inneholder bransjespesifikke ord, forkortelser og norske stedsnavn for å se om transkripsjonen henger med.
- Vurder lyttekomforten: Lytt til ti minutter sammenhengende tekst fra TTS-stemmen. Blir du sliten i hodet, mangler stemmen naturlig dynamikk.
Vanlige misforståelser
En utbredt misforståelse er å tro at en transkribert tekst fra en STT-modell er klar til publisering uten menneskelig kontroll. Selv om treffsikkerheten er svært høy, kan små feilhøringer endre meningen i en setning totalt, spesielt i juridiske eller medisinske sammenhenger. STT bør sees på som et råutkast som sparer deg for nitti prosent av skrivejobben, men som likevel krever en kjapp korrekturlesing til slutt.
Ofte stilte spørsmål
Hva er den største forskjellen mellom TTS og STT?
TTS (tekst til tale) lager hørbar lyd ut fra skrevet tekst, mens STT (tale til tekst) lytter til innspilt tale og gjør den om til lesbare ord.
Fungerer tale til tekst godt på nynorsk og norske dialekter?
Kvaliteten varierer stort mellom ulike modeller. Mange internasjonale verktøy foretrekker standard bokmål, så det er viktig å velge modeller som er spesifikt trent på variasjonen i det norske språket.
Kan jeg bruke STT til å ta referat fra fysiske møter?
Ja, men resultatet avhenger av mikrofonplassering og romakustikk. Hvis folk snakker i munnen på hverandre eller sitter langt fra mikrofonen, faller treffsikkerheten markant.
Hvorfor høres noen norske TTS-stemmer rare ut?
Norsk har særpreget setningsmelodi og tonemer som krever avansert trening. Eldre eller enkle systemer klarer ikke å plassere trykket riktig på sammensatte ord, noe som gjør at talen oppleves unaturlig.
