Onze Taal. Jaargang 62

Waarom de computer nog niet bij stem is

F. Jansen

Sprekende computers, welke science-fictionliefhebber kent ze niet? Ik herinner me de stem van de robots uit films uit de jaren vijftig als nog blikkeriger dan hun uiterlijk. In Nederland is dat nooit veranderd. Bassie en Adriaan worden nog steeds ter zijde gestaan door een alleswetende pop die monotoon spreekt en bij elk woordje pauzeert. De Amerikáánse filmrobot leerde wel steeds beter Engels spreken. HAL, de kwaadaardige automaat in ‘2001 A Space Odyssee’ spreekt als een onverstoorbare psychiater die nooit het achterste van zijn tong laat zien. In de Amerikaanse televisieseries van de laatste jaren is de sprekende computer steeds minder computer en steeds meer gewone spreker geworden: reuzemakkelijk voor acteurs die er hun stem aan lenen. Zij hoeven immers voor hun rol geen foefjes meer te leren.

● Krachtsinspanning

De hier geschetste ontwikkeling komt niet overeen met de stand van zaken in de echte wereld. Dat blijkt bij kennismaking met het meest geavanceerde tekst-naar-spraaksysteem van dit moment, waarvan op enkele universiteiten ten behoeve van onderzoek exemplaren staan opgesteld. Zulke apparaten bestaan uit een toetsenbord, enkele simpelogende kastjes en een luidspreker. Wie een zinnetje op het toetsenbord intikt, hoort na enkele seconden - en na duizenden berekeningen - de gesproken weergave. Die weergave is verstaanbaar en klinkt redelijk natuurlijk. Toch is de machine nog steeds een eind verwijderd van het ideaal van veel fonetici: een apparaat dat een tekst van papier zó voorleest dat zijn gehoor het als een natuurlijke gespreksbijdrage ervaart. Hoe komt dat?

Onlangs verscheen een bundel artikelen waaruit het antwoord op deze vraag af te leiden is. De bundel is een van de resultaten van SPIN, een vijfjarige krachtsinspanning van fonetici en informatici uit Utrecht, Amsterdam, Nijmegen, Leiden en Eindhoven. Uit de artikelen kunnen we opmaken dat men al veel eigenschappen van de stem zó goed begrijpt dat ze vlekkeloos door de regels van een computerprogramma nagebootst kunnen worden. Andere eigenschappen van spraak bieden ook na grondig onderzoek nog weerstand. Enkele voorbeelden.

Klanken beïnvloeden elkaar

We schrijven inperken, we zeggen ‘imperken’. Blijkbaar houden we al rekening met de volgende p als we de neusklank ervoor maken. Bij de neusmedeklinkers is de beïnvloeding duidelijk waarneembaar. Minder bekend is dat een zelfde verschijnsel voorkomt bij álle combinaties van klanken die we maken, zowel binnen als tussen woorden. Dat betekent dat een tekst-naar-spraaksysteem niet kan volstaan met het definiëren van de gewenste trillingseigenschappen, bijvoorbeeld voor de klinker en de twee medeklinkers van taal, en die drie definities vervolgens aan elkaar kan plakken. Zo'n werkwijze levert een gesproken vorm van taal op die we nauwelijks kunnen begrijpen. Het gevolg is dat ook de trillingseigenschappen van alle overgangen tussen klanken vastgesteld moeten worden: bij taal is dat de overgang van t naar aa, en van aa naar l. Dat lijkt nog te overzien, maar voor de uitspraak van laat bijvoorbeeld komen er alweer twee overgangsdefinities bij. Nu kunnen weliswaar niet alle Nederlandse

[p. 278]

klanken met alle andere gecombineerd worden, maar het zal duidelijk zijn dat er veel meer overgangen bestaan dan klanken: extra rekenwerk dus. Bovendien is het wezen van een overgang dat hij verandert in de loop van de tijd; hij houdt dus niet gedurende een aantal milliseconden een vast aantal trillingen aan. Dat betekent nog meer rekenwerk.

De klankvorm is afhankelijk van klemtoon, spreeksnelheid en de emotionele staat van de spreker Een spreker lijkt even wat harder te praten als hij een klemtoon legt. In werkelijkheid heeft luidheid weinig met klemtoon en intonatie van doen. Wat een hoorder als klemtoon ervaart, wordt voortgebracht door de toon te verhogen en de duur van de lettergreep te verlengen. Dat betekent dat de machine ook moet berekenen welke aanpassingen de trillingsgetallen van de beklemtoonde lettergrepen moeten ondergaan. Iets dergelijks geldt ook voor spraak die sneller of in opgewonden of boze toestand geproduceerd wordt. Iedere spreker kan dat. Voor de computer betekent het weer de toepassing van duizenden kleine aanpassingsregeltjes.

Het zinsaccent is niet alleen afhankelijk van de structuur van de zin maar ook van de informatieve waarde van de woorden

Voordat de foneticus een accent kan omzetten in trillingsgetallen, moet hij weten waar het accent komt te liggen en hoe het toonverloop van de zin eruit ziet. Dat valt immers niet meteen uit een getypte tekst af te leiden. Gelukkig is er al zoveel van accent bekend (vergelijk Trommelen en Visch in Onze Taal (april 1992, blz. 63), dat de computer de plaats ervan kan berekenen zo gauw hij het woord herkend heeft. Ook kan hij het woord in een lijst met uitzonderingen opzoeken.

Dramatischer is de verzorging van de intonatie. Die hangt af van de informatieve waarde van de woorden in de zin. En om die te voorspellen heeft de computer niet alleen kennis over de Nederlandse taalstructuur nodig, maar ook over de inhoud van wat hij verklankt. Zolang de computer niet begrijpt waar hij het over heeft, zal zijn intonatie niet volledig natuurlijk kunnen zijn.

Sommige van de bovenstaande problemen zullen nog lang op een oplossing wachten, andere zullen bij een gelijkblijvende inspanning in de nabije toekomst opgelost zijn. Misschien is het tijd dat eens onderzocht wordt of luisteraars een natuurlijksprekende robot wel accepteren. Het lijdt geen twijfel dat slechtzienden een fraaie, automatisch ingesproken versie van de krant zullen toejuichen, maar ik ben er nog niet zo zeker van dat dat ook geldt voor andere vormen van robotspraak. Ik baseer mijn wantrouwen op de kritiek van velen op automatische inlichtingennummers: ‘Dank u voor het bellen naar X; voor meer informatie over de zaterdagvoorstelling: druk op de 1. Voor meer infor...’ De rest weet ik niet. Dan ligt de hoorn er alweer op.

Literatuur: Vincent J. van Heuven en Louis C.W. Pols red. Analysis and synthesis of speech. Strategic Research towards High-Quality Text-to-Speech Generation. Berlin/New York, 1993.