Tekst-naar-spraak: hoe computers leren praten
Typ een zin in en hoor een menselijke stem die hem voorleest, alsof er een spreker naast je zit. Dat is in de kern wat tekst-naar-spraak (in het Engels text-to-speech, afgekort TTS) doet: geschreven tekst automatisch omzetten in gesproken audio. Je kent het waarschijnlijk van je navigatiesysteem dat "na driehonderd meter rechtsaf" zegt, van een voicemailsysteem, of van de voorleesfunctie op je telefoon.
Het verschil tussen de robotachtige stem van vroeger en de spraak van nu is enorm. Waar oudere systemen klonken als een hakkelende computer die losse klanken aan elkaar plakte, produceren de nieuwste systemen stemmen die nauwelijks van een mens te onderscheiden zijn, compleet met ademhaling, aarzelingen en emotie. Die sprong is vooral te danken aan kunstmatige intelligentie, en specifiek aan een type AI dat bekendstaat als deep learning (neurale netwerken met veel lagen die patronen leren uit enorme hoeveelheden data).
Wat is het precies?
Tekst-naar-spraak begint met gewone geschreven tekst. Voordat een computer die kan uitspreken, moet hij eerst begrijpen hóe de tekst klinkt. Dat proces heet linguïstische analyse: het systeem bepaalt welke woorden bij elkaar horen, waar zinsgrenzen liggen, en hoe afkortingen of getallen (zoals "Dr." of "2026") uitgesproken moeten worden.
Daarna wordt de tekst omgezet in kleinere klankeenheden, fonemen genoemd — de losse spraakklanken waaruit woorden zijn opgebouwd, vergelijkbaar met de letters van het alfabet maar dan voor klank. Tegelijkertijd bepaalt het systeem de prosodie: het ritme, de klemtoon en de melodie van de zin. Prosodie is wat het verschil maakt tussen een vraag die stijgend klinkt en een mededeling die dalend eindigt.
Het echte werk gebeurt in de laatste stap: het omzetten van die klankinformatie in een daadwerkelijke geluidsgolf. Vroeger deden systemen dit door duizenden opgenomen spraakfragmentjes aan elkaar te plakken (concatenatieve synthese). Sinds ongeveer 2016 gebruiken de beste systemen neurale netwerken die de golfvorm van het geluid direct genereren, sample voor sample. Een van de eerste doorbraken hierin was een zogeheten vocoder (een model dat ruwe audio produceert) die leerde hoe natuurlijke spraak er op golfvormniveau uitziet. Modernere architecturen combineren dit met modellen die eerst een soort "blauwdruk" van het geluid maken (een spectrogram, een visuele weergave van welke frequenties wanneer klinken) en die blauwdruk vervolgens omzetten in hoorbaar geluid.
Een aparte, spraakmakende toepassing binnen dit veld is voice cloning: een systeem trainen op een paar minuten of seconden audio van één specifieke persoon, waarna het model die stem kan nabootsen en er willekeurige nieuwe zinnen mee kan "zeggen". Dit werkt doordat moderne modellen leren welke akoestische kenmerken (toonhoogte, timbre, spreekstijl) een stem uniek maken, los van de exacte woorden die oorspronkelijk zijn opgenomen.
Wat wil men ermee bereiken?
De oudste en meest concrete drijfveer is toegankelijkheid. Voor mensen die slechtziend of blind zijn, is een goede voorleesstem geen luxe maar een noodzaak om websites, e-mails en documenten te kunnen gebruiken. Schermlezers (software die alles op een scherm hardop voorleest) bestaan al decennia, maar werden pas de laatste jaren echt prettig om lang naar te luisteren.
Een tweede doel is het toegankelijk maken van geschreven content als audio: audioboeken, artikelen die je onderweg kunt "lezen", en ondertiteling die wordt omgezet in gesproken nasynchronisatie voor video's in andere talen. Dat laatste — automatische dubbing — belooft films en video's sneller en goedkoper in meerdere talen beschikbaar te maken, iets wat traditioneel dure studio-opnames met acteurs vereist.
Daarnaast speelt TTS een groeiende rol in spraakassistenten en klantenservice-bots, waar een prettige, natuurlijke stem het verschil maakt tussen een frustrerende en een bruikbare ervaring. Een minder bekende maar indrukwekkende toepassing is hulp aan mensen die hun stem dreigen te verliezen, bijvoorbeeld door ALS (een ziekte die spieren, waaronder die voor spraak, geleidelijk aantast). Zij kunnen vooraf hun eigen stem laten "opnemen" en trainen, zodat een tekst-naar-spraaksysteem later met hún stem blijft spreken, ook als ze dat zelf niet meer kunnen.
Voorbeelden uit de praktijk
WaveNet (Google DeepMind, 2016) — dit model, gepresenteerd door het Britse AI-lab DeepMind (onderdeel van Google), genereerde voor het eerst spraak sample voor sample met een neuraal netwerk en klonk merkbaar natuurlijker dan alles daarvoor. Het legde de basis voor de huidige generatie TTS-systemen, al was het aanvankelijk te traag voor gebruik in real time.
Tacotron 2 (Google, 2017-2018) — dit systeem combineerde een model dat tekst omzet in een spectrogram met een op WaveNet gebaseerde vocoder die daar geluid van maakte. Het resultaat kwam in luistertesten dicht in de buurt van menselijke opnames en werd een blauwdruk voor veel latere systemen.
Amazon Polly en Microsoft Azure Neural TTS — beide clouddiensten (Polly sinds 2016, Azure's neurale stemmen sinds 2018) maakten geavanceerde TTS-technologie beschikbaar voor ontwikkelaars en bedrijven, van navigatiesystemen tot geautomatiseerde klantenservice, zonder dat zij zelf AI-modellen hoefden te bouwen.
ElevenLabs (2022-2023) — dit in Londen/New York gevestigde start-up-bedrijf werd bekend om de kwaliteit en snelheid van zijn voice cloning: met slechts een korte audio-opname kan het een stem nabootsen die emotie en intonatie overtuigend overneemt. Het bedrijf werd ook onderwerp van discussie doordat de technologie is gebruikt voor nepaudio van bekende personen, wat de risico's van de techniek pijnlijk zichtbaar maakte.
OpenAI TTS API (2023) — OpenAI, het bedrijf achter ChatGPT, bracht in 2023 een eigen tekst-naar-spraakdienst uit met meerdere kant-en-klare stemmen, gericht op ontwikkelaars die spraak willen toevoegen aan apps zonder zelf stemacteurs in te huren.
Hoe ver is de techniek?
De kwaliteit van tekst-naar-spraak is de afgelopen jaren enorm gestegen. In korte, gecontroleerde luistertesten kunnen mensen synthetische spraak van topsystemen vaak niet meer betrouwbaar onderscheiden van een echte opname. Systemen kunnen tegenwoordig ook in (vrijwel) real time spraak genereren, wat nodig is voor bijvoorbeeld live gesprekken met een spraakassistent.
Toch is de techniek niet perfect. Bij lange teksten met wisselende emotie — denk aan een heel hoofdstuk van een roman met dialoog, spanning en humor — blijft het voor systemen lastig om net zo natuurlijk te variëren als een menselijke voorlezer. Ook uitspraak van namen, jargon of code-switchen tussen talen binnen één zin levert nog regelmatig fouten op.
Het grootste obstakel is inmiddels niet meer puur technisch, maar ethisch en juridisch. Omdat voice cloning met steeds minder audiomateriaal steeds overtuigender wordt, groeit het risico op misbruik: nepgesprekken van bijvoorbeeld politici of familieleden (gebruikt bij telefoonfraude), zonder toestemming gekloonde stemmen van acteurs of artiesten, en moeilijk te verifiëren audio in het algemeen. Wetgevers proberen bij te benen — de Europese AI-wet (EU AI Act) stelt bijvoorbeeld transparantie-eisen aan AI-gegenereerde audio — maar de regelgeving loopt over het algemeen achter op de snelheid waarmee de techniek zich ontwikkelt. Ook is er discussie over auteursrecht: mag een bedrijf een AI trainen op opnames van een stemacteur zonder expliciete, aparte toestemming voor stemkloning?
Wie werken eraan?
Het onderzoek naar tekst-naar-spraak wordt gedomineerd door een handvol grote techbedrijven met eigen AI-onderzoeksafdelingen: Google en het bijbehorende DeepMind, Microsoft (via Azure AI en Microsoft Research), Amazon, Meta en OpenAI investeren allemaal fors in spraaksynthese, vaak als onderdeel van bredere AI-onderzoeksprogramma's. Daarnaast is een golf van gespecialiseerde start-ups ontstaan, met ElevenLabs als een van de bekendste namen op het gebied van stemkloning.
Academisch onderzoek naar spraaktechnologie wordt wereldwijd samengebracht op conferenties zoals Interspeech, georganiseerd door de International Speech Communication Association (ISCA), waar onderzoekers van universiteiten en bedrijven nieuwe technieken presenteren en met elkaar vergelijken. Geografisch ligt het zwaartepunt van dit onderzoek bij Amerikaanse en Britse instellingen en bedrijven, met een snel groeiende bijdrage vanuit China, waar zowel techbedrijven als universiteiten actief onderzoek doen naar spraaksynthese, mede gedreven door de grote en taalkundig diverse thuismarkt.