The Voder:1939年,世界首台电子语音合成器

The Voder: 1939, the worlds first electronic voice synthesizer

频道:Brian Roemmele · 时长:6:17 · 发布:2016-11-21 · 播放:333213

在 YouTube 观看

简介

简要介绍Voder,这是第一台电子语音合成器,由贝尔实验室在1939年世界博览会上展示。它由受过训练的女性操作,使用十个手指键、脚踏板和膝杆。

HN 为什么推荐

HN引用它作为早期语音合成的历史性演示,包括讨论演示是否真实。

这个扩展视频让我觉得它可能是合法的 — HN, 2023

计算机视觉、语音与 NLP · 音视频工程 · 计算历史

中文字幕节选

Voder 中有 10 个滤波电路,结合两个能量源, 总共提供 20 个独立组件,用于构建语音。 但现在让我们请 Garrett 先生和 Harper 小姐实际展示一下 Voder 能做什么。 用这 20 个独立的声音,我们已经听到 Voder 说出一个词,通过 组合词语,当然就能得到句子。例如,Helen,你能让 Voder 说“她看见了我”吗?听起来非常 平淡。加点表情怎么样?用这句话回答这些问题:谁 看见了你?她看见了我。她看见了谁?她看见了我。那么她看见你了吗? 或者听见你了吗?她看见了我。到目前为止,你只听到 Voder 用一种声音说话, 但 Voder 还有其他声音,当 Harper 小姐对他的机制做简单 调整时就可以使用。Helen,你能让 Voder 说“大家好”吗? 大家好。现在你能让他用高音重复一遍吗? 大家好。现在用他最好的太空问候,用男孩的声音。当男孩的声音 变化时,他永远不确定自己会成为男高音还是男低音,而 Voder 作为一个相对年轻的人,也有他的不确定时刻。 让我们听他背诵《玛丽有只小 羊羔》。天哪,B,你听起来太沮丧了。振作起来,让我们听听你的 笑声。一分钟前我说 Voder 还是一个相对年轻的 人,但他最后的笑声让我怀疑我是否可能错了。 你真的感觉像你听起来那么老吗?是的,我,嗯, 我当然为你感到难过。现在也许你注意到那个声音中有一种特殊的品质, 你以前没听过。那就是我们刚才注意到的 Voder。 一个没有语调的持续元音听起来不像人声,它听起来是 这样的。现在如果我们把语调放入同样的音调中,我们得到 这个。正如你注意到的,那确实是一个歌唱的音调。是的,Voder 不仅能说话, 他还能唱歌。为我们测试你的声音, Voder。如果你已经从几分钟前的抑郁情绪中完全恢复过来, 假设你为我们唱一首歌,好吗?是的,嗯,唱《O Lang Z》怎么样? 我相信如果我唱那首歌,我不会像 Voder 唱得那么好。Harper 小姐, 我一直在想,我们的听众是否意识到你必须做多少动作 才能发出一个单词?你能给我们一些概念吗?嗯,例如,在 Voder 上发出“concentration”这个词时,我必须连续形成 13 个不同的声音, 做五次手腕杆的上下运动,并改变 脚踏板的位置三到五次,取决于我想要 Voder 给这个词什么表达。当然,所有这些都必须以完全正确的 时机完成。你花了多长时间才成为操作 Voder 的专家? 我花了大约一年的持续练习。这大约是大多数情况下 所需的平均时间。有多少女孩能操作 Voder?公司试用了 大约 320 个女孩,其中 28 个女孩最终成为专家操作员。嗯, 这似乎是一个非常小的数字。为什么?我可以回答这个问题,Carwell 博士, 通过说操作 Voder 需要女孩具备一种特殊的组合才能, 这并不太常见。Garrett 先生,Voder 会说任何外语吗?

HN 上的讨论

声码器更能代表ADSR方法。[0] 尽管添加管弦乐配乐单轨相当于语音生成看起来大致相同。[1] 撇开空间/技术复杂性不谈,可以为每位歌手/每件管弦乐器配备一个声码器,从而生成完整的合唱团和完整的管弦乐队。假设ChatGPT可以通过减少波形重叠来帮助减少/最小化所需的声码器数量,但代价是针对特定歌曲集进行特定处理。---- [0] : [VIDEO] [1] : [LINK] — sargstuff, 2024-01
我原本怀疑仅用两个音素就能打出可理解的语音“She saw me”,更不用说给出所演示的升降调了。我玩过SP0256语音合成芯片,发现即使有那个硅片上的所有音素,构造可理解的单词也很有挑战性。这个扩展视频让我觉得它可能是合法的:[VIDEO] — JKCalhoun, 2023-07
这个模型很酷,但与lyrebird.ai所做的有很大不同。NPSS在控制输入中有很多关于发音和时间的额外信息(音素部分计时器功能)——这意味着(在我看来)自然度的大部分“难点”是NPSS/WaveNet风格模型的控制输入,而不是像lyrebird那样模型必须全局且一致地生成的变量。在生成时,NPSS似乎也自回归地生成每个组件,但我不清楚演示样本是否这样做,或者它们是否至少对f0使用了“真实”值——如果给定底层音频信息,许多旋律都是可能的,那么是什么迫使模型唱出完全相同的旋律?还要注意,NPSS有一定量的后处理,至少是混响,也许还有其他常见的音乐混音——我们并不真正知道这些样本是如何生成的,仅凭论文我很难破译到底需要哪些输入,哪些是生成的。然而,我非常、非常、非常喜欢NPSS——我只是不认为你在这里所做的比较是有效的。这些特征(f0、时长、发音)是从语音和文本数据集中学习建模的最困难的事情… — kastnerkyle, 2017-04

相关视频