Speech Recognition and Synthesis from Google to zestaw technologii, dzięki którym urządzenie zamienia mowę na tekst oraz tekst na dźwięk. Pierwsza funkcja służy między innymi do dyktowania wiadomości, a druga pozwala odczytywać treści na głos. Usługa działa jako element systemu Android i ChromeOS, a podobne możliwości są dostępne także dla firm przez Google Cloud API.
Czym jest Speech Recognition and Synthesis from Google?
Nazwa Speech Recognition and Synthesis from Google odnosi się do aplikacji systemowej, która udostępnia innym aplikacjom funkcje rozpoznawania i syntezy mowy. Wcześniej usługa była kojarzona głównie z mechanizmem zamiany tekstu na mowę, ale obecnie obejmuje również rozpoznawanie wypowiedzi.
Rozpoznawanie mowy, określane jako Speech-to-Text (STT), analizuje dźwięk i zapisuje wypowiedziane słowa w postaci tekstu. Synteza mowy, czyli Text-to-Speech (TTS), działa w przeciwnym kierunku – odczytuje tekst wygenerowany przez aplikację lub znajdujący się na ekranie.
Rozpoznawanie mowy a synteza – czym się różnią?
Najważniejsza różnica dotyczy kierunku przetwarzania informacji. STT wykorzystuje głos jako dane wejściowe, natomiast TTS tworzy dźwięk na podstawie tekstu.
| Technologia | Działanie | Zastosowanie |
|---|---|---|
| STT, Speech-to-Text | Zamienia wypowiedź głosową na tekst. | Dyktowanie wiadomości, wyszukiwanie głosowe, transkrypcja nagrań. |
| TTS, Text-to-Speech | Odczytuje tekst za pomocą syntetycznego głosu. | Czytanie książek, komunikaty systemowe, funkcje dostępności. |
Gdzie te technologie działają na co dzień?
Użytkownik Androida może korzystać z obu funkcji bez uruchamiania aplikacji Speech Recognition and Synthesis from Google. Mechanizm jest wywoływany przez programy, które potrzebują obsługi głosu lub odczytywania tekstu. Przykłady zastosowań obejmują:
- Dyktowanie wiadomości – klawiatura rozpoznaje wypowiadane słowa i wpisuje je w polu tekstowym.
- Mapy Google i wyszukiwanie głosowe – możesz podać nazwę miejsca lub adres bez ręcznego pisania.
- Asystenci głosowi i Voice Access – polecenia głosowe pozwalają wyszukiwać informacje albo sterować wybranymi funkcjami urządzenia.
- TalkBack i inne ułatwienia dostępu – telefon odczytuje elementy interfejsu oraz komunikaty pojawiające się na ekranie.
- Google Play Books – funkcja odczytywania na głos pozwala słuchać treści książki.
- Google Translate – aplikacja może wypowiedzieć przetłumaczone słowo lub zdanie, co pomaga także w nauce wymowy.
To, jakie funkcje są dostępne, zależy od urządzenia, wersji Androida, języka oraz aplikacji korzystającej z mechanizmu. Na wielu telefonach usługa jest już zainstalowana i działa w tle jako domyślny silnik mowy.
Usługa systemowa a Google Cloud API
Nie należy mylić aplikacji zainstalowanej na telefonie z usługami przeznaczonymi dla programistów. W Androidzie Speech Recognition and Synthesis from Google zapewnia podstawową obsługę głosu dla aplikacji użytkowych i funkcji dostępności. Zwykle jest gotowa do użycia bez osobnej konfiguracji.
Google Cloud Speech-to-Text to natomiast interfejs programistyczny dla firm i twórców oprogramowania. Pozwala przesyłać do chmury nagrania lub strumień dźwięku, a następnie odbierać transkrypcję. Może służyć do tworzenia chatbotów głosowych, transkrybowania spotkań oraz analizy rozmów w centrach obsługi klienta.
Rozwiązania chmurowe są projektowane z myślą o większej skali i integracji z własnymi systemami. Ich użycie może wiązać się z opłatami zależnymi od ilości przetwarzanego dźwięku, podczas gdy usługa systemowa na telefonie pełni funkcję użytkową i jest dostarczana wraz z urządzeniem lub systemem.
Jak zmienić ustawienia mowy w Androidzie?
Ustawienia syntezy mowy znajdują się w sekcji ułatwień dostępu. Nazwy poszczególnych pozycji mogą się różnić zależnie od producenta telefonu i wersji systemu, ale typowa ścieżka wygląda następująco:
- Otwórz aplikację Ustawienia.
- Wejdź do sekcji Ułatwienia dostępu.
- Wybierz Zamiana tekstu na mowę lub podobnie nazwaną opcję.
- W polu mechanizmu wybierz Speech Recognition and Synthesis from Google.
- Ustaw język, preferowany głos, szybkość mowy oraz ton.
Jeżeli potrzebujesz obsługi kolejnego języka, w ustawieniach danych głosowych wybierz jego pakiet i zainstaluj go na urządzeniu. Dostępność głosów zależy od języka oraz modelu telefonu. Przycisk odtwarzania demonstracyjnej wypowiedzi pozwala sprawdzić ustawienia przed ich zapisaniem.
W przypadku rozpoznawania mowy odpowiednia opcja może znajdować się w ustawieniach klawiatury, aplikacji asystenta lub domyślnego wprowadzania głosowego. Nie każda aplikacja korzysta z tego samego menu, ale wszystkie te funkcje opierają się na podobnym podziale: STT zamienia głos na tekst, a TTS odczytuje tekst.
