All Conten

telah dimulai sejak lama. Salah satu catatan literatur awal yang berhubungan dengan
sintesa ucapan adalah pernyataan seorang ahli matematika dan engineer terkenal yang
bernama Leonhard Euler pada tahun 1761. Euler menyatakan “It would be a considerable
invention indeed, that of a machine able to mimic speech, with its sounds and
articulations. I think it is not imposible”.
Berdasarkan hasil studi literatur dari berbagai sumber bacaan, perkembangan teknologi
pensintesa ucapan dapat dibagi menjadi tiga kurun waktu. Kurun waktu pertama adalah
sebelum 1930. Pada masa ini penelitian-penelitian lebih banyak ditujukan untuk
memahami karakteristik sinyal ucapan serta pengembangan pensintesa ucapan berbasis
mekanik atau elektromekanik. Kurun waktu kedua dimulai sejak tahun 1930-an sampai
dengan ditemukannya komputer digital. Masa ini ditandai dengan pengembangan
berbagai alat pensintesa ucapan menggunakan teknologi elektronik analog. Kurun waktu
ketiga dimulai sejak ditemukannya komputer digital hingga sekarang. Pada masa ini,
sintesa ucapan dilakukan menggunakan pendekatan-pendekatan pemrosesan sinyal
digital.
Kurun Waktu Pertama
Penelitian tentang ucapan dimulai dengan penelitian-penelitian untuk melakukan
pemahaman tentang sinyal ucapan. Pada tahun 1779, Imperial Academy of St. Petersburg
menyelenggarakan suatu kompetisi dengan tujuan untuk mengetahui hal-hal berikut
[Pel93].
1. “What is the nature and character of the sounds of the vowels a, e, i, o, u that make
them different from one another?”
2. “Can an instrument be constructed like the vox humana pipes of an organ, which
shall accurate express the sounds of the vowels?”
Seorang peneliti dari Rusia yang bernama Christian Gottlieb Kratzenstein memenangkan
kompetisi tersebut dengan membuat satu set resonator akustik yang mensimulasikan
mulut manusia. Resonator Kratzenstein terdiri dari 5 bentuk tabung, masing-masing
untuk mensimulasikan satu bunyi vokal.
Gambar 2.1. Resonator Kratzenstein [Pel92]
Robert Willis, pada tahun 1829 melakukan penelitian yang berhasil memperlihatkan
bahwa sintesa ucapan yang dihasilkan oleh Kratzenstein dapat pula dicapai dengan hasil
yang sama menggunakan tabung tunggal yang dapat diatur panjangnya.
Selama dua dekade, antara tahun 1769 sampai dengan 1790, Wolfgang Ritter von
Kempelen telah menghasilkan speaking machine yang lengkap. Pada prakteknya,
Wolfgang telah membuat 3 model yang berbeda, semuanya dioperasikan dengan tangan.
Penemuannya dipublikasikan dalam bentuk buku pada tahun 1791.
Wolfgang von Kempelen berpendapat bahwa untuk membuat mesin yang dapat
berbicara, pertama-tama harus dapat menghasilkan suara vokal. Wolfgang mulai dengan
mencari sumber bunyi yang sesuai, yaitu suatu substitusi mekanik dari suara vokal. Dia
mencoba menggunakan reed bergetar yang biasa digunakan dalam instrumen musik,
walaupun hasilnya kurang memuaskan. Suara dari reed disalurkan melalui suatu alat
berbentuk bel yang dilengkapi baffle pada mulut yang dapat digerakan untuk
menghasilkan bunyi vokal yang berbeda. Tidak puas dengan hasil percobaannya yang
pertama, von Kempelen menggunakan tangannya untuk menggantikan baffle. Meskipun
hasilnya menjadi lebih baik, tetapi suara yang dihasilkan masih belum memuaskan.
Gambar 2.2. Model Kedua Pensintesa Ucapan
Buatan Wolfgang von Kempelen [Pel92]
Model yang kedua dirancang untuk memenuhi kebutuhan akan perlunya beberapa
resonansi pada beberapa frekuensi yang berbeda untuk mencapai berbagai suara berlainan
yang diinginkan. Versi ini bersifat modular, berupa tiga belas buah resonator yang
masing-masing dilengkapi dengan reed dan bersifat dapat dibongkar pasang, sehingga
dapat saling dipertukarkan. Gambar 2.2 memperlihatkan model tersebut.
Dengan mesin tersebut, von Kempelen mengklaim bahwa dia telah mampu menghasilkan
suara vokal a, o dan u serta suara p, m dan l yang dapat diterima. Secara monotonik,
mesin buatannya dapat mengucapkan suara seperti “mama” dan “papa”, tetapi masih
menghadapi dua masalah utama. Pertama, suara vokal yang dihasilkan mengandung
bunyi yang sifatnya eksplosif yang mirip bunyi “k”. Masalah lain yang dihadapi adalah
transisi antara dua bunyi yang berdekatan yang tidak smooth seperti suara alami. Satu
bunyi dengan bunyi berikutnya masih terasa sebagai dua bunyi yang terpisah. Untuk
mengatasi masalah tersebut, dia menambahkan kulit halus pada reed, juga menggunakan
reed tunggal sebagai pengganti dari sejumlah reed yang sebelumnya digunakan pada
setiap resonator.
Mesin ketiga buatan von Kempelen secara fisik sangat berbeda dari mesin-mesin
sebelumnya (lihat Gambar 2.3). Paru-paru disimulasikan dengan pompa yang digerakan
dengan bahu yang secara kontinyu dapat menghembuskan udara. Vokal dapat dihasilkan
dengan cara menutup “nostrils” mesin tersebut dengan tangan kanan sambil
menghembuskan udara dari simulator paru-paru. Sementara itu, tangan kiri harus
mengatur resonansi melalui alat berbentuk bel. Hanya orang yang terlatih memainkannya
yang dapat menghasilkan bunyi-bunyi yang diharapkan. Suara seperti F, H, V, W dan
beberapa lainnya adalah suara-suara yang juga dapat dihasilkan dengan mesin tersebut.
Wolfgang mengklaim bahwa mesin ketiga buatannya dapat menghasilkan semua suara
vokal serta sembilan belas konsonan. Meskipun mesin tersebut memiliki kapasitas
menghasilkan udara sekitar enam kali lebih besar dari kapasitas paru-paru manusia, tetapi
mesin ini hanya mampu mengucapkan kalimat yang pendek sebelum kehabisan udara.
Pada tahun 1791 von Kempelen mempublikasikan hasil penelitiannya dalam bahasa
Jerman dan Perancis dengan judul “Mechanismus der menschlichen Sprache nebst der
Berschreibung seimer sprechenden Maschine”.
Di Perancis, pada waktu yang hampir bersamaan dengan von Kempelen, Abbe’ Mical
mengembangkan mesin lain yang dikenal sebagai “two talking head”. Mesin ini terdiri
dari dua silinder yang mirip dengan silinder yang biasa kita lihat pada instrumen musik.
Satu silinder disediakan untuk memainkan sejumlah ucapan tertentu dengan prosody-nya.
Silinder lainnya digunakan untuk menghasilkan semua bunyi dalam bahasa Perancis.
Tidak diketahui dengan pasti otentikasi mesin buatannya tersebut.
Gambar 2.3. Model Ketiga Pensintesa Ucapan
Buatan Wolfgang von Kempelen [Pel92]
Hermann Helmholtz, seorang perintis peneliti akustik, pada pertengahan abad ke-19
membuat perangkat elektro-mekanik yang terdiri dari sejumlah garpu yang dapat ditala,
kumparan elektrik, dan sejumlah resonator yang dapat mensintesa suara komposit yang
sangat mirip suara vokal manusia. Perangkat ini mungkin tidak memperlihatkan
hubungan langsung dengan berbagai penemuan alat-alat lainnya yang berhubungan
dengan aplikasi suara, tetapi keberadaan mesin tersebut memberikan ilham bagi
Alexander Graham Bell yang menghasilkan beberapa penemuan di bidang aplikasi mesin
yang berhubungan dengan suara manusia. Pada saat yang bersamaan juga, Hermmann
Helmholtz telah melakukan berbagai penelitian yang memberikan pemahaman yang lebih
mendalam tentang akustik.
Peranan Sir Charles Wheatstone yang lebih dikenal dengan “Jembatan Wheatstone”-nya
tidak dapat diabaikan dalam perkembangan alat pensintesa ucapan manusia. Wheatstone
tumbuh sambil membantu bisnis penjualan perangkat musik keluarganya di London.
Tahun 1821, pada usia sembilan belas tahun ia mendemonstrasikan alat ciptaannya yang
dapat menggetarkan batang logam yang dieksitasi oleh suatu sumber yang vibrasinya
dirambatkan melalui konduktor yang padat. Pada tahun 1835, Wheatstone
mendemonstrasikan ciptaannya kepada Dublin Association.
Gambar 2.4. Versi Wheatstone dari Model Ketiga Pensintesa Ucapan
Buatan Wolfgang von Kempelen [Pel92]
Alexander Graham Bell yang lahir di Edinburg pada tahun 1846 dikenal sebagai penemu
telpon. Berdasarkan buku yang ditulis oleh Kempelen, Bell beserta dua saudaranya
(Melly dan Ted) pernah melakukan pengembangan mesin yang dapat menirukan ucapanucapan
manusia. Pengembangan tersebut dilakukan di Edinburg sekitar tahun 1863. Pada
usia 19 tahun, Bell mencoba mengulangi penelitian akustik Helmholtz. Bell mengira
bahwa garpu tala dapat mentransmisikan bunyi vokal secara elektrik. Untuk memperbaiki
kesalahan dugaan tersebut, akhirnya dia menemukan suatu keyakinan bahwa suara
apapun dapat ditransmisikan secara elektrik. Pada akhirnya, Bell berhasil menemukan
telpon.
Pada awal tahun 1990-an, J. L. Flanagan melaporkan hasil kerjanya yang merupakan
kelanjutan dari pemikiran Helmholtz dan menguji berbagai alat yang dapat melakukan
sintesa suara vokal. Penelitian ini meliputi penggunaan pipa organ, multiple sirens, garpu
vibrasi yang dapat ditala, serta ide R. R. Riesz yang pada tahun 1937 mengusulkan alat
bicara mekanik yang dapat dioperasikan dengan jari-jari tangan.
Kurun Waktu Kedua
Sejak 1930 para peneliti mulai menggunakan model elektrik untuk analisis dan
menirukan ucapan. Pensintesa elektrik pertama yang berfungsi untuk menghasilkan
ucapan adalah Dudley’s voder. VODER (Voice Operated DEmonstratoR) dikembangkan
oleh Bell Laboratories. VODER merupakan sistem elektronik analog yang
mensimulasikan bagian-bagian alat ucap manusia. VODER pertama kali diperkenalkan
kepada publik dalam suatu pameran di New York pada tahun 1939. Pada saat tersebut
berhasil didemonstrasikan bagaimana manusia dapat berdialog dengan mesin VODER
yang dimainkan oleh seorang operator.
Gambar 2.5. VODER dalam New York World’s Fair
pada Tahun 1939 [Pel92]
Gambar 2.6 memperlihatkan blok diagram VODER serta ekivalensinya dengan alat-alat
ucap manusia. Suara bersumber dari dua buah sumber bunyi, yaitu : noise dan osilator.
Sumber noise disediakan untuk mensintesa ucapan yang menyerupai noise, sedangkan
osilator untuk ucapan lainnya. Frekuensi osilator dikendalikan oleh pedal. Frekuensi yang
dihasilkan akan menentukan pitch dari bagian ucapan yang dihasilkan. Sumber yang
dihasilkan akan dilewatkan pada sepuluh bandpass filter yang dihubungkan secara paralel
dan masing-masing frekuensinya dapat diatur. Tiga pengatur lainnya disediakan untuk
mengatur proses transien, yaitu untuk reproduksi konsonan stop, yaitu t, d, p, b, k, g.
Mesin ini berhasil membangkitkan suara yang intelligible. Mesin ini harus dimainkan
oleh seorang operator yang sangat terlatih.
Gambar 2.6. Ekivalensi VODER dengan
Alat Ucap Manusia [Pel92]
Kurun Waktu Ketiga
Selama 50 tahunan, teknologi pensintesa ucapan mengalami banyak perubahan.
Penemuan komputer digital telah memungkinkan untuk melakukan simulasi sebelum
melakukan pengembangan perangkat keras. Sekitar tahun 1960-an, teknik analisis dan
sintesa ucapan terbagi menjadi dua paradigma. Pendekatan pertama disebut articulatory
synthesis. Dalam pendekatan ini, mekanisme produksi ucapan dimodelkan secara
fisiologi dengan cukup rinci. Pendekatan lainnya disebut terminal-analogue synthesis.
Pada pendekatan kedua ini, ucapan dimodelkan dengan model apapun. Orientasinya lebih
ditekankan pada usaha untuk memodelkan sinyal ucapan, bukan pada bagaimana cara
membangkitkannya.
Sebelum adanya komputer digital, sebenarnya belum ada sistem seperti yang sekarang
kita kenal sebagai sistem TTS. Pengembangan yang ada saat itu hanya terbatas pada
bagian untuk membangkitkan atau mensintesa ucapannya saja. TTS yang melakukan
konversi secara otomatis dari mulai teks berkembang setelah adanya komputer digital.
Pada tahun 1931, perusahaan Audichron membuat mesin pertama yang secara otomatis
dapat mengucapkan waktu dan temperatur melalui saluran telpon. Sejak itu, banyak
dikembangkan perangkat elektrik yang berhubungan dengan aplikasi ucapan, diantaranya
adalah spektograf suara yang dapat menampilkan pola ucapan pada layar CRT.
Salah satu sistem komersial yang menerapkan teknologi komputer digital untuk aplikasi
pemrosesan ucapan adalah IBM 7770 Audio Response Unit yang menggunakan drum
berputar untuk menyimpan data-data ucapan. Pada awal tahun 1980-an berkembang
beberapa sistem lainnya yang menggunakan komputer mainframe atau komputer mini.
Dengan sistem ini, sejumlah institusi finansial saat itu dapat memberikan layanan sistem
otomatis melalui pesawat telpon. Keadaan tersebut berubah semakin cepat setelah
teknologi IC serta komputer mikro berkembang dengan pesat.
Berkembangnya komputer digital tidak hanya menyebabkan berkembangnya sistem TTS,
tetapi juga melahirkan alternatif-alternatif baru untuk mengimplementasikan bagian
pembangkit ucapannya. Pada era komputer digital, pembangkitan ucapan dilakukan
menggunakan algoritma-algoritma pemrosesan sinyal digital yang diimplementasikan
menggunakan perangkat lunak.
Bentuk pensintesa digital yang berkembang pada awalnya adalah pensintesa yang dikenal
dengan istilah formant synthesizer, bekerja dengan cara mensimulasikan komponenkomponen
frekuensi utama pembentuk ucapan yang disebut formant. Salah satu
pensintesa ucapan jenis ini yang populer dan banyak digunakan pada berbagai aplikasi
adalah cascade-parallel formant synthesizer yang pertama kali diusulkan oleh Dennis
Klatt pada tahun 1990. Synthesizer tersebut merupakan pengembangan dari generasi
sebelumnya yang juga dirancang oleh Klatt pada tahun 1980.
Pensintesa formant tidak dapat menghasilkan suara dengan tingkat kealamian yang
tinggi, sehingga perkembangan TTS mengarah pada pencarian alternatif untuk mencari
pendekatan yang dapat menghasilkan ucapan yang lebih alami. Seiring dengan kecepatan
prosesor serta media penyimpanan komputer yang semakin tinggi, pendekatan tersebut
mengarah pada sistem yang melakukan penggabungan segmen-segmen ucapan yang
direkam sebelumnya. Berdasarkan berbagai pertimbangan teknis dan kualitas yang ingin
dicapai, bentuk segmen yang dianggap paling optimum dan banyak digunakan adalah
diphone atau dua fonem yang berurutan. Pendekatan dengan cara penyusunan ucapan dari
diphone ini disebut diphone concatenation.
Tantangan teknis utama pada teknik diphone concatenation adalah mencari algoritma
untuk menggabungkan diphone dengan diphone lainnya, serta algoritma untuk
memanipulasi diphone, khususnya untuk mengubah durasi serta pitch diphone. Berbagai
teknik yang berkembang untuk mendukung pensintesa jenis ini diantaranya adalah
autoregressive (AR), Glottal AR, hybrid harmonic/stocastic, time domain PSOLA (TDPSOLA),
multiband resynthesis-PSOLA (MBR-PSOLA), serta Linear Prediction-PSOLA
(LP-PSOLA) [Dut97].
Kini, speech synthesizer berkualitas tinggi telah tersedia untuk sejumlah bahasa, misalnya
Bahasa Inggris, Perancis, Belanda, Jerman dan beberapa bahasa lainnya. Namun
demikian, speech synthesizer untuk bahasa Indonesia sampai saat ini belum tersedia.
Salah satu perusahaan yang telah menghasilkan TTS berkualitas baik adalah perusahaan
Lernout and Hauspie di Belgia. Perusahaan tersebut sudah memproduksi sistem TTS
berkualitas tinggi untuk bahasa Inggris, Jerman, Perancis, Belanda, Spanyol dan Portugis.