Wie könnte eine rein mechanische „Stimme“ funktionieren?

Das ist Thomas Edison mit seinem zweiten Phonographen im Jahr 1878.

Die viktorianische Ära endete meines Wissens 1901.

Alles, was Sie brauchen, ist ein Satz voraufgezeichneter Phrasen und eine Nadel oder ein Kopf mit wahlfreiem Zugriff. Der Sexy British Accent™ ist jedem überlassen, der ihn synchronisiert.

Es gibt ein Team japanischer Forscher, das einen künstlichen Mund konstruiert , um die menschliche Sprache nachzuahmen.

Es besteht aus einer Pumpe, die Luft durch den Mund pumpt, einer vibrierenden Membran, einem Silikonkautschukschlauch mit integrierter Zunge und einer Nasenhöhle. Ich persönlich finde es schwer zu verstehen, was es sagt (da ich kein Japanisch spreche), aber Sie können hören, wie es verschiedene Sillabies artikuliert.

Das japanische Team ist noch nicht fertig, dem Mund fehlt die Fähigkeit, die Lippen zusammenzudrücken, um B, P und M auszusprechen, und die Zähne, um F und S auszusprechen.

In Ihrer Geschichte könnten Sie einen künstlichen Mund aus Gummi, Leder, Wachstuch, Wachspapier und allem, was Sie für geeignet halten, bauen. Der Bau der ersten " sprechenden Maschine " von Wolfgang von Kempelen begann 1769 ( sehen Sie sie in Aktion ), also sind die Materialien, die zum Bau einer solchen benötigt werden, auch in Ihrer Welt verfügbar. Und dann ist da noch das Euphonia-Gerät von Joseph Faber, von dem ich kein Video finden konnte

[S]sechzehn Hebel oder Tasten „wie die eines Klaviers“ projizierten sechzehn elementare Klänge, durch die „jedes Wort in allen europäischen Sprachen deutlich hervorgebracht werden kann“.

Das eigentliche Bilden von Wörtern ist hier das Problem und erfordert einige Handbewegungen.

Ich stelle mir die Sprachbox im „Kopf“ des Automaten vor und ein getriebeartiges Getriebe in der Brusthöhle. Schnüre verbinden das Getriebe mit den Mechanismen, die den Mund verformen. Es ist voller Zahnräder, die jeweils an verschiedenen Saiten ziehen, um den Mund auf unterschiedliche Weise zu verformen und unterschiedliche Geräusche zu erzeugen.

Das Wort „Hallo“ würde gebildet, indem nacheinander die Zahnräder HELO aktiviert würden, während das Wort „Held“ die Zahnräder HEER O aktivieren würde.

HINTERGRUND (den Kontext für meine Antwort festlegen):

Ich war früher ein Forscher in einem Universitätslabor, das in den 1980er Jahren die Software für Sprachsynthesizer entwickelte. Zu dieser Zeit verwendeten alle Synthesizer Aufnahmen menschlicher Stimmen und bearbeitete Beispiele für jedes Phonem (der Klang, den Sie vielleicht mit einem Buchstaben assoziieren, aber es sind keine Buchstaben). Dann schnappte sich die Software die benötigten Sounds und fügte sie zusammen. Sehr abgehackte und schreckliche Ausgabe.

Die Professoren, mit denen ich zusammengearbeitet habe (ich war ein Student, der dies abhängig von meinem Stundenplan in Voll- oder Teilzeit bezahlte), erstellten ein brandneues System. Sie erstellten eine Liste aller Zwei-Phonem-Kombinationen (zum Beispiel „b-ah“ oder „sh-ew“) und einiger gebräuchlicher Vielfacher (wie st-ah) und verwendeten dann eine aufgenommene menschliche Stimme für die Beispiele. Meine Aufgabe war es, jede Paarung genau in der Mitte zu schneiden (z. B. die zweite Hälfte des „b“ und die erste Hälfte des „ah“). Es ging darum, all diese wichtigen Übergänge beizubehalten. Ich hatte sowohl die Töne als auch eine grafische Darstellung der Aufnahmen auf einem Computer.

Die Ergebnisse waren großartig im Vergleich zu allem, was davor kam. Viel lebensechter. Aber es gab immer noch keine Intonation. Das Ändern von Tonhöhe, Lautstärke und ein paar anderen tonalen Dingen war damals möglich und ist jetzt noch einfacher. Aber die Intonation ist SCHWER .

Um eine Intonation zu erzeugen, benötigen Sie umfangreiche Regeln, welche Töne wann zu verwenden sind. Sie denken vielleicht, das sei einfach (genauso wie Sie meinen, dass mein anderer Job, das Schreiben der Regeln für Text-to-Speech, das geschriebene Wörter in Phonemlisten übersetzt, einfach war), aber Sie würden sich irren. Es ist schwer für Menschen, die eine Zweitsprache sprechen, richtig zu sprechen, und es ist wahnsinnig schwer für Computer.

Aber das war vor über 30 Jahren. All das, was ich von Hand gemacht habe, ist jetzt teilweise oder vollständig automatisiert. Es ist jetzt einfacher als zuvor. Aber es ist immer noch nicht einfach. Ich meine, hast du eine elektronische Stimme gehört, die gut intoniert? Siri? Alexa? Yeah Nein. Bestenfalls bekommt man bei Fragen einen steigenden Ton.

Nehmen Sie all dies in die nahe Zukunft und sicher, es wird passieren. Schon jetzt sind die elektronischen Stimmen um Welten besser als das, woran ich gearbeitet habe, und das war Lichtjahre voraus von dem, was da draußen war. Elektronische Stimmen werden jetzt jeden Tag verwendet und es wird noch zunehmen. Es gibt ganze Unternehmen (und Abteilungen größerer Unternehmen), die an diesen Problemen arbeiten.

IHRE FRAGE:

Sie haben zwei Unterschiede zu dem, worüber ich gesprochen habe.

1. Ihre elektronischen Lautsprecher können intelligent sein. In diesem Fall benötigen Sie keine Software, um zu bestimmen, welche Phoneme verwendet werden sollen oder welche Tonvariationen.
2. Sie stecken mit Technologie auf viktorianischem Niveau fest.

Es ist mir unklar, ob Ihre "mechanischen halbhumanoiden Automaten" tatsächlich intelligent sind. Wenn nicht, müssen sie in irgendeiner Weise programmiert werden. Auch wenn es nur das Setzen von Tasten zum Aussprechen verschiedener Phoneme ist. Sie müssen immer noch einen Weg finden, wie das Gehirn der Maschinen oder die Programmierung in den "Mund" übertragen werden kann. Das ist wirklich hart für diese Zeit.

Wenn Sie künstliche Münder verwenden, um Laute zu artikulieren , müssen Sie jedes Phonem in seine Bestandteile zerlegen. Diese sind:

• Stimmhaft oder stimmlos (wenn die Stimmlippen während des Tons vibrieren).
• Stellung der Zunge und/oder Lippen. Für Konsonanten gibt es nur wenige Möglichkeiten, aber Vokale sind sehr komplex und einige Vokale erfordern eine besondere Bewegung der Zunge.
• Artikulationsmethode (Stopp, Frikativ, Flüssig usw.).

Dann müssen Sie Luft durch den gesamten Mechanismus pumpen und alles irgendwie koordinieren. Im Ernst, so etwas würde lange dauern, um es zu bauen. Und das gilt nur für die Version, die 3 Sekunden braucht, um jedes Wort zu sagen.

Wenn Sie eine elektronische Stimme verwenden , benötigen Sie einen gespeicherten Bestand an Phonemen (oder die geschnittenen Phonempaare, wie ich sie oben beschrieben habe). Mit modernen Computern können Sie elektronisch erzeugte Klänge verwenden, aber es ist die gleiche Grundidee: Erstellen Sie eine Reihe von Klängen, die sich zu Wörtern zusammenfügen.

Englisch vs. Nicht-Englisch? Kinderleicht. Das ist nur ungefähr, welche Phoneme und/oder Phonempaare Sie in Ihrer Datenbank haben.

Kannst du Lautstärke oder Tonhöhe ändern? Vielleicht. Es kann mechanisch durchgeführt werden, aber Sie müssen dies entweder von einem Menschen tun lassen, einer intelligenten Maschine, oder einen Weg finden, es zu programmieren.

Wie sieht es mit der Intonation aus? Nein, verdammt. Weg. Wenn nur die Grundlagen der Intonation mit moderner Technologie erreicht werden können, wird dies mit der Technologie aus der viktorianischen Ära nicht passieren.

[Intonation ist] außerordentlich komplex. „Obwohl die Intonation in erster Linie eine Frage der Tonhöhenvariation ist, ist es wichtig, sich bewusst zu sein, dass Funktionen, die der Intonation zugeschrieben werden, wie der Ausdruck von Einstellungen und Emotionen oder das Hervorheben von Aspekten der grammatikalischen Struktur, fast immer eine begleitende Variation anderer prosodischer Merkmale beinhalten.“ David Crystal sagt zum Beispiel, dass "Intonation kein einzelnes System von Konturen und Pegeln ist, sondern das Produkt der Interaktion von Merkmalen verschiedener prosodischer Systeme - insbesondere Ton, Tonhöhe, Lautstärke, Rhythmik und Tempo." ( ref )

Was wäre, wenn die Steuerung der Maschine wirklich kein Thema wäre?

Das OP behauptet dies, aber es hängt wirklich vom Rahmen der Frage ab. Wie viel Handwinken und „Alien-Tech“ gibt es? Selbst mit „Software“, die wirklich ein intelligentes Gehirn ist, das in der Lage ist, eine perfekte Steuerung zu erzeugen, haben Sie es immer noch mit der Langsamkeit von Maschinen aus der viktorianischen Zeit zu tun. Wenn alles wirklich lokal gebaut wird, sehe ich keine Möglichkeit, dass die Sprache eine normale Geschwindigkeit haben kann, geschweige denn all diese Nuancen.

Mit 44 Phonemen im Englischen ( Ju|'hoan hat ungefähr 130) und Hunderten, um alle Sprachen der Welt zu berücksichtigen, würde die Datenbank der Aufnahmen allein zu viel Platz beanspruchen, selbst wenn sie sehr klein wäre und selbst wenn Sie den winzigen Player bauen könnten & eine Maschine, um es zu bewegen. Und das setzt voraus, dass Sie nur Phoneme aufnehmen, nicht die bearbeiteten Kombinationen, die Ihnen viel glattere und bessere Ergebnisse liefern.

Es wird sich wie eine automatische Zugdurchsage anhören.

Der Grund dafür ist, dass wir die gleichen Prinzipien verwenden werden. Einzelne Wörter, die auf separaten Wachszylindern aufgezeichnet sind, werden von Ihrem Automatenmechanismus in der entsprechenden Reihenfolge ausgewählt und wiedergegeben.

Nicht ganz menschlich, nicht ganz unmenschlich, aber ganz im Sinne der Technik der Zeit.

Das gibt Ihnen natürlich einen ziemlich begrenzten Wortschatz, aber Sie sollten in der Lage sein, nicht mehr als ein paar tausend Wörter zu erarbeiten, um sich zu den meisten (gesellschaftlich akzeptablen) Themen ausdrücken zu können.

Ihre schwierigere Option ist, dass Sie anstelle von ganzen Wörtern Silben aufnehmen, um Wörter zu konstruieren. Das könnte Ihnen ein breiteres Vokabular im Austausch für einen komplexeren Mechanismus und etwas gebrochenere Sprache ermöglichen.

Abhängig davon, welche Berechnungsebene Ihr Automat ausführen kann und wie komplex Ihr Mechanismus sein kann, könnten Sie eine Art Mikrostiftsystem erstellen, bei dem eine Nadel über eine Reihe winziger Stifte läuft, die auf verschiedenen Höhen platziert sind, genau wie Eine Schallplatte hat auf mikroskopischer Ebene Zähne in den Rillen. Die Auflösung eines solchen Geräts wäre niedriger als eine tatsächliche Schallplatte, aber das könnte eine der Macken sein. Mit dieser Methode können Sie sicherlich die Intonation ändern.

Sehen Sie sich als Referenz an, wie das Rad eines Glockenspiels aufgebaut ist, oder die Murmelmaschine von Wintergatan. Skalieren Sie es dann so weit herunter, dass es nicht nur eine Note auslöst, sondern eine Simulation der Grate auf einer Schallplatte wird.

Nur um auf das Offensichtliche hinzuweisen ... der moderne Lautsprecher wurde in der viktorianischen Ära (1870er Jahre) erfunden. Der einzige große Unterschied zwischen der Sprachsynthese von heute und vor 150 Jahren ist die Kontrolle.

Je nachdem, wie fortgeschritten das "Gehirn" Ihres Automaten ist, würden irgendwelche Macken herkommen. Wenn es einfach keine Rechenleistung braucht, um die Hertz-Rate der menschlichen Wahrnehmung nachzuahmen, wäre es ein bisschen so, als würde man mit Stephen Hawking sprechen.

Wenn Sie davon ausgehen, dass der Automat den Lautsprecher mit der Präzision eines modernen Computers steuern kann, sollte die Sprachsynthese nahezu fehlerfrei sein. Mit ihm zu sprechen, würde sich eher wie ein Gespräch mit Alexa anfühlen. Es wäre nicht, wie es spricht, was seinen Mangel an Menschlichkeit verraten würde, sondern seine Wortwahl und Tonfall.

Wenn das Ding von menschlichem oder übermenschlichem Intellekt ist, dann wäre es mit geschlossenen Augen nicht von einem Gespräch mit einer Person zu unterscheiden, aber das Fehlen eines sich bewegenden Mundes kann für Personen beunruhigend sein, die nicht daran gewöhnt sind, damit zu interagieren.