Rupal Patel: Synthetic voices, as unique as fingerprints

Translator: Ina Krasteva Reviewer: Yavor Ivanov

I'd like to talk today

Днес бих искала да говоря

about a powerful and fundamental aspect

за един силен и фундаментален аспект

of who we are: our voice.

от нашата същност: гласа ни.

Each one of us has a unique voiceprint

Всеки от нас има уникален глас,

that reflects our age, our size,

който отразява възрастта ни, размера дрехи,

even our lifestyle and personality.

дори стила ни на живот и личността ни.

In the words of the poet Longfellow,

Както е казал поетът Лонгфелоу

"the human voice is the organ of the soul."

" човешкият глас е орган на душата".

As a speech scientist, I'm fascinated

Като учен, специалист по говора, съм удивена

by how the voice is produced,

от това как гласът се "произвежда"

and I have an idea for how it can be engineered.

и имам идея как може да бъде направено това.

That's what I'd like to share with you.

Именно това искам да споделя с вас.

I'm going to start by playing you a sample

Ще започна с пускането на примерен глас,

of a voice that you may recognize.

който може би ще разпознаете.

(Recording) Stephen Hawking: "I would have thought

( Запис ) Стивън Хоукинг: "Смятах, че

it was fairly obvious what I meant."

е ясно какво имам предвид".

Rupal Patel: That was the voice

Рупал Пател: Това беше гласът

of Professor Stephen Hawking.

на проф. Стивън Хоукинг.

What you may not know is that same voice

Това, което може би не знаете, е че същият глас

may also be used by this little girl

може да бъде използван от това малко момиче,

who is unable to speak

което не може да говори

because of a neurological condition.

заради неврологично заболяване.

In fact, all of these individuals

Всъщност, всички тези хора

may be using the same voice,

могат да използват един и същи глас

and that's because there's only a few options available.

защото има съвсем малко налични опции.

In the U.S. alone, there are 2.5 million Americans

Само в САЩ има 2.5 милиона американци,

who are unable to speak,

които не могат да говорят

and many of whom use computerized devices

Много от тях използват компютърни устройства

to communicate.

за комуникация.

Now that's millions of people worldwide

Това прави милиони хора в световен мащаб,

who are using generic voices,

които използват компютърно генерирани гласове,

including Professor Hawking,

включително проф. Хоукинг,

who uses an American-accented voice.

който използва глас с американски акцент.

This lack of individuation of the synthetic voice

Липсата на идентичност в синтетичния глас

really hit home

ми направи впечатление

when I was at an assistive technology conference

преди няколко години, когато бях на

a few years ago,

конференция за асистирана технология.

and I recall walking into an exhibit hall

Спомних си как се разхождах в една изложбена зала

and seeing a little girl and a grown man

и видях малко момиче и възрастен мъж, които си

having a conversation using their devices,

говореха посредством техните помощни средства,

different devices, but the same voice.

различни помощни средства, но с еднакви гласове.

And I looked around and I saw this happening

Огледах се наоколо и видях, че това

all around me, literally hundreds of individuals

се случва навсякъде около мен, буквално стотици хора,

using a handful of voices,

използващи няколко гласа,

voices that didn't fit their bodies

гласове които не подхождаха на осанката им

or their personalities.

или на личността им.

We wouldn't dream of fitting a little girl

Не сме си мечтали да накараме малко момиченце

with the prosthetic limb of a grown man.

да говори като възрастен мъж с протези.

So why then the same prosthetic voice?

Защо тогава да го правим?

It really struck me,

Това наистина ме трогна и

and I wanted to do something about this.

поисках да направя нещо по въпроса.

I'm going to play you now a sample

Ще Ви пусна един аудио пример

of someone who has, two people actually,

на двама души, които

who have severe speech disorders.

имат сериозни говорни нарушения.

I want you to take a listen to how they sound.

Бих искала да чуете как звучат.

They're saying the same utterance.

Те ще произнесат една и съща дума.

(First voice)

( Първи глас)

(Second voice)

(Втори глас)

You probably didn't understand what they said,

Вероятно не разбрахте какво казаха,

but I hope that you heard

но се надявам чухте

their unique vocal identities.

уникалните им гласови идентичности.

So what I wanted to do next is,

След това исках да

I wanted to find out how we could harness

разбера как можем да използваме

these residual vocal abilities

тези вокални способности,

and build a technology

за да създадем технология,

that could be customized for them,

която да се изработи съобразно тях;

voices that could be customized for them.

да се създадат гласове, които да им пасват.

So I reached out to my collaborator, Tim Bunnell.

Така се свързах с колегата ми Тим Бънел.

Dr. Bunnell is an expert in speech synthesis,

Др. Бънел е експерт по синтез на говора,

and what he'd been doing is building

и това, което той направи беше да създаде

personalized voices for people

персонализирани гласове за хора

by putting together

като компилира по-ранни

pre-recorded samples of their voice

записи на гласовете им

and reconstructing a voice for them.

и конструира подходящи за тях гласове.

These are people who had lost their voice

Тези хора бяха загубили гласа си

later in life.

на по-късен етап от живота си.

We didn't have the luxury

При хората, родени с говорни аномалии,

of pre-recorded samples of speech

нямахме шанса да получим

for those born with speech disorder.

предварително записания им глас.

But I thought, there had to be a way

Мислех си, че трябва да има начин

to reverse engineer a voice

да извлечем гласа от малкото,

from whatever little is left over.

което е останало.

So we decided to do exactly that.

Решихме да направим точно това.

We set out with a little bit of funding from the National Science Foundation,

Получихме малко финансова подкрепа от Националната научна фондация,

to create custom-crafted voices that captured

за да създадем уникални гласове, които

their unique vocal identities.

улавят персоналните вокални идентичности.

We call this project VocaliD, or vocal I.D.,

Наричаме този проект "Вокална Ай Ди",

for vocal identity.

което идва от вокална идентичност.

Now before I get into the details of how

Преди да обясня в детайли как

the voice is made and let you listen to it,

се "прави" глас и да Ви го пусна да го чуете,

I need to give you a real quick speech science lesson. Okay?

искам да Ви дам един бърз урок за науката за говора. Ок?

So first, we know that the voice is changing

Първо, ние знаем, че гласът се променя

dramatically over the course of development.

драматично с развитието ни.

Children sound different from teens

Децата говорят различно от тийнеджърите,

who sound different from adults.

които пък звучат различно от възрастните.

We've all experienced this.

Всички сме го преживели.

Fact number two is that speech

Второ, говорът е

is a combination of the source,

комбинация от вибрациите,

which is the vibrations generated by your voice box,

генерирани в нашата гласова кутия,

which are then pushed through

които след това достигат

the rest of the vocal tract.

до остатаналия вокален тракт.

These are the chambers of your head and neck

Това са кухините на врата и главата,

that vibrate,

които вибрират и

and they actually filter that source sound

филтрират този звук,

to produce consonants and vowels.

за да произвеждат съгласни и гласни.

So the combination of source and filter

Посредством комбинирането на ресурс и филтър

is how we produce speech.

ние създаваме гласа.

And that happens in one individual.

Това се случва при един човек.

Now I told you earlier that I'd spent

По-рано Ви казах, че през по-голямата част

a good part of my career

от кариерата си се стремях

understanding and studying

да разбера и изуча

the source characteristics of people

ресурсните характеристики на хора

with severe speech disorder,

с тежки говорни аномалии.

and what I've found

Открих следното.

is that even though their filters were impaired,

Въпреки че техните филтри не са увредени,

they were able to modulate their source:

те също могат да променят характеристиките си:

the pitch, the loudness, the tempo of their voice.

височината на тона, темпото, силата на гласа.

These are called prosody, and I've been documenting for years

Нарича се прозодия. Документирам я от години.

that the prosodic abilities of these individuals

Прозодичните способности на тези хора

are preserved.

са запазени.

So when I realized that those same cues

Когато осъзнах, че те са

are also important for speaker identity,

важни за идентичността на говорещия,

I had this idea.

ме осени една идея.

Why don't we take the source

Защо не вземем ресурса

from the person we want the voice to sound like,

от човека, подобен на чийто глас искаме да създадем,

because it's preserved,

защото той е запазен и непроменен,

and borrow the filter

да вземем филтъра

from someone about the same age and size,

от някого на същата възраст и телесложение,

because they can articulate speech,

защото те могат да свържат речта

and then mix them?

и тогава да ги смесим?

Because when we mix them,

Можем да ги смесим,

we can get a voice that's as clear

да получим глас, ясен

as our surrogate talker --

като на нашия сурогат,

that's the person we borrowed the filter from—

това е човекът, от който сме взели филтъра

and is similar in identity to our target talker.

и е сходен по идентичност с нашия целеви обект.

It's that simple.

Просто е.

That's the science behind what we're doing.

Това е науката зад това, което правим.

So once you have that in mind,

Имайки това впредвид,

how do you go about building this voice?

как ще процедирате, за да създадеш глас?

Well, you have to find someone

Трябва да намерите някой,

who is willing to be a surrogate.

който да се съгласи да стане сурогат.

It's not such an ominous thing.

Не е чак толкова страшно нещо.

Being a surrogate donor

За да си сурогатен донор

only requires you to say a few hundred

е необходимо да изговориш няколко стотин или

to a few thousand utterances.

няколко хиляди словосъчетания

The process goes something like this.

Процесът изглежда така:

(Video) Voice: Things happen in pairs.

(Видео) Глас: Нещата се случват по двойки.

I love to sleep.

Обичам да спя.

The sky is blue without clouds.

Небето е ясно, без облаци.

RP: Now she's going to go on like this

РП: Сега тя ще трябва да продължи

for about three to four hours,

така три или четири часа.

and the idea is not for her to say everything

Идеята не е тя да изговори всичко, което

that the target is going to want to say,

целевият ни обект ще каже.

but the idea is to cover all the different combinations

Целта е да се покрият всички различни комбинации

of the sounds that occur in the language.

от звуци, които се срещат в езика.

The more speech you have,

Колкото повече реч имаме,

the better sounding voice you're going to have.

толкова по-вече гласове ще създадем.

Once you have those recordings,

След като вече имаме всички тези записи,

what we need to do

това, което трябва да направим, е

is we have to parse these recordings

да ги разделим на съвсем

into little snippets of speech,

мънички частици на речта,

one- or two-sound combinations,

на комбинации от по 1, 2 звука,

sometimes even whole words

а понякога и цели думи,

that start populating a dataset or a database.

които дават основата на базата ни данни.

We're going to call this database a voice bank.

Ще наречем тази база данни гласова банка.

Now the power of the voice bank

Силата на гласовата банка е

is that from this voice bank,

в това, че от нея

we can now say any new utterance,

можем да извадим каквито и да е нови звуци

like, "I love chocolate" --

като например: "Обичам шоколад",

everyone needs to be able to say that—

всеки трябва да може да го изговори -

fish through that database

търсим из базата данни

and find all the segments necessary

и намираме всички необходими сегменти,

to say that utterance.

за изговаряне на това словосъчетание.

(Video) Voice: I love chocolate.

(Видео) Глас: Обичам шоколад.

RP: So that's speech synthesis.

РП: Това е гласов синтез.

It's called concatenative synthesis, and that's what we're using.

Нарича се свързан синтез и именно него използваме.

That's not the novel part.

Но това не е най-интерсното.

What's novel is how we make it sound

По-интересното е как успяхме да направим звука

like this young woman.

по-младежки.

This is Samantha.

Това е Саманта.

I met her when she was nine,

Срещнах я, когато беше на 9 г.

and since then, my team and I

Оттогава с екипа ми се опитваме

have been trying to build her a personalized voice.

да ѝ създадем персонализиран глас.

We first had to find a surrogate donor,

Първо трябваше да намерим сурогатен донор,

and then we had to have Samantha

а след това да накараме Саманта

produce some utterances.

да произнесе нещо.

What she can produce are mostly vowel-like sounds,

Това, което тя може да изговори са само звуци,

but that's enough for us to extract

подобни на гласни букви, но е достатъчно за нас

her source characteristics.

за да извлечем характерните ѝ гласови особености.

What happens next is best described

Това, което се случва след това

by my daughter's analogy. She's six.

се описва най-добре с една аналогия на 6 г. ми дъщеря.

She calls it mixing colors to paint voices.

Тя го нарича "смесване на цветове за нарисуване на гласове".

It's beautiful. It's exactly that.

Красиво е. И е точно това.

Samantha's voice is like a concentrated sample

Гласът на Саманта е като концентрирана проба

of red food dye which we can infuse

от червен оцветител, който можем да смесим със

into the recordings of her surrogate

записите на нейния сурогат,

to get a pink voice just like this.

за да получим розов глас като този.

(Video) Samantha: Aaaaaah.

(Видео) Саманта: Ааааах

RP: So now, Samantha can say this.

РП: А сега, Саманта можеш да го кажеш и ти.

(Video) Samantha: This voice is only for me.

( Видео) Саманта: Този глас е само за мен.

I can't wait to use my new voice with my friends.

Нямам търпение да го използвам пред приятелите си.

RP: Thank you. (Applause)

РП: Благодаря. (Аплодисменти)

I'll never forget the gentle smile

Никога няма да забравя

that spread across her face

усмивката, която изгря на лицето ѝ,

when she heard that voice for the first time.

когато чу гласа си за първи път.

Now there's millions of people

Сега по света има милиони

around the world like Samantha, millions,

хора като Саманта, а нашата

and we've only begun to scratch the surface.

дейност е едва в началната си фаза.

What we've done so far is we have

До момента имаме

a few surrogate talkers from around the U.S.

няколко сурогати от цяла Америка,

who have donated their voices,

които дариха гласовете си.

and we have been using those

Използвахме ги за да създадем

to build our first few personalized voices.

първите си няколко персонализирани гласове.

But there's so much more work to be done.

Има още толкова много работа да се свърши.

For Samantha, her surrogate

Сурогатът на Саманта например

came from somewhere in the Midwest, a stranger

е една непозната от средния Запад,

who gave her the gift of voice.

която ѝ даде гласа си.

And as a scientist, I'm so excited

Като учен съм изключително развълнувана

to take this work out of the laboratory

да "изведа" работата си извън лабораторията,

and finally into the real world

в реалния свят,

so it can have real-world impact.

така че да имам истински принос.

What I want to share with you next

Следващото, което искам да споделя с Вас

is how I envision taking this work

е как смятам да доведа работата си

to that next level.

до следващото ниво.

I imagine a whole world of surrogate donors

Представям си един цял свят със сурогатни донори,

from all walks of life, different sizes, different ages,

с различна възраст, пол, тегло,

coming together in this voice drive

даряващи гласа си,

to give people voices

за да дадат на други хора гласове,

that are as colorful as their personalities.

които са толкова цветисти колкото личностите им.

To do that as a first step,

За целта, първата стъпка беше

we've put together this website, VocaliD.org,

да направим този уебсайт vocalid.org,

as a way to bring together those

за да свържем всички тези хора, които искат да

who want to join us as voice donors,

се присъединят към нас като донори на гласове,

as expertise donors,

като експерти,

in whatever way to make this vision a reality.

за да направим визията си реалност.

They say that giving blood can save lives.

Казват, че кръводаряването може да спаси живот.

Well, giving your voice can change lives.

Даряването на глас пък може да промени живот.

All we need is a few hours of speech

Нуждаем се само от няколко часа запис

from our surrogate talker,

на говора на нашия сурогат

and as little as a vowel from our target talker,

и малко глас от страна на целевия ни обект,

to create a unique vocal identity.

за да създадем уникална гласова идентичност.

So that's the science behind what we're doing.

Това е науката зад това, което правим.

I want to end by circling back to the human side

Искам да завърша, връщайки се обратно на хуманната страна,

that is really the inspiration for this work.

която е истинското вдъхновение за работата ни.

About five years ago, we built our very first voice

Преди около 5 г., когато изобретихме първия си глас

for a little boy named William.

за малко момченце на име Уилям.

When his mom first heard this voice,

Когато майка му за първи път чу гласа му,

she said, "This is what William

каза: " Точно така би

would have sounded like

звучал гласът му,

had he been able to speak."

ако можеше да говори."

And then I saw William typing a message

Тогава видях Уилям да пише съобщение

on his device.

на устройството си.

I wondered, what was he thinking?

Чудех се какво ли си мисли той.

Imagine carrying around someone else's voice

Представете си да сте имали нечий друг глас

for nine years

цели 9 години и накрая

and finally finding your own voice.

да откриете своя собствен.

Imagine that.

Представете си го.

This is what William said:

Ето какво каза Уилям:

"Never heard me before."

"Никога преди не си ме чувал".

Thank you.

Благодаря!

(Applause)

( Аплодисменти)