Puhesynteesisovellusten tekninen vertailu

Abstract

Tämä opinnäytetyö toteutettiin yhteistyönä hyvinvointialue Soiten kanssa. Organisaatiolla oli tarve löytää helppokäyttöinen ja toimiva tekoälypohjainen puhesynteesisovellus puhelintiedotteiden luomiseen. Tavoitteena oli selvittää, millaisia puhesynteesisovelluksia on olemassa ja arvioida niiden soveltuvuutta organisaation tarpeisiin.

Puhesynteesisovellukset ovat osa nykyteknologiaa ja niiden käyttöönotto voi tehostaa työprosesseja. Sovellusten avulla kirjoitetusta tekstistä voidaan tuottaa puhetta, mikä mahdollistaa tasalaatuisten äänitteiden luomisen ja vähentää itse nauhoitetuissa tallenteissa syntyviä virheitä. Sovellusten käyttö edellyttää perehtymistä niiden toimintoihin sekä harjoittelua luonnollisen ja sujuvan puheen aikaansaamiseksi.

Opinnäytetyössä vertailtiin neljää eri puhesynteesisovellusta, jotka olivat ElevenLabs, Narakeet, Murf AI sekä Luvvoice. Sovelluksia arvioitiin teknisten ominaisuuksien perusteella, ja niiden toimivuutta havainnollistettiin käyttäjätestauksen avulla. Käyttäjätestauksella pyrittiin ymmärtämään, miten sovellukset toimivat käytännössä.

Sovellusten vertailu toteutettiin luomalla kymmenen eri vertailukriteerin perusteella taulukko, jossa sovellusten ominaisuudet pisteytettiin asteikolla 1–5. Tulosten perusteella ElevenLabs erottui parhaana sen laajojen muokkausmahdollisuuksien, kielivalikoiman sekä erilaisten äänentuottotapojen ansiosta. Erotus pistemäärässä muihin sovelluksiin ei ollut suuri, joten on perusteltua tarkastella, mikä vastaa eniten organisaation toiveita, ja sen mukaan tehdä päätös, olisiko jokin näistä hyvä sovellus käyttöönotettavaksi.

Johtopäätöksenä voidaan todeta, että puhesynteesisovellusten käyttöönotto organisaatiossa on perusteltua. Puhesynteesisovellukset tuottavat luonnollisen kuuloista puhetta, nopeuttavat äänitallenteiden laatimista, vähentävät inhimillisiä virheitä sekä mahdollistavat tasalaatuisten äänitiedostojen luomisen. Tulevaisuudessa voitaisiin tutkia tarkemmin, miten tekoälyn tuottama puhe eroaa ihmisen puheesta ja miten sen luonnollisuutta voitaisiin edelleen kehittää.

This thesis was carried out in collaboration with the Soite welfare region. The organization needed to find an easy-to-use and reliable AI-based speech synthesis application for creating phone announcements. The objective was to identify what kinds of speech synthesis applications exist and to assess their suitability for the organization’s needs.

Speech synthesis applications are part of modern technology and their implementation can enhance work processes. These applications can convert written text into speech which enables the creation of consistently high-quality audio recordings and reduces errors that occur in self-recorded material. Using the applications requires familiarization with their functions and practice to achieve natural and fluent speech.

The thesis compared four different speech synthesis applications: ElevenLabs, Narakeet, Murf AI and Luvvoice. The applications were evaluated based on technical features and their functionality was illustrated through user testing. The user testing aimed to understand how applications work in practise.

The comparison was carried out by creating a table based on ten different criteria in which each application’s features were scored on a scale from 1 to 5. According to the results, ElevenLabs stood out as the best due to its extensive editing capabilities, range of languages, and various voice production methods. The difference in total score to the other applications was not large. It is reasonable to consider which option best matches the organization’s requirements and decide accordingly whether one of these applications would be suitable for adoption.

In conclusion, adopting speech synthesis applications in an organization is justifiable. Speech synthesis produces natural-sounding speech, speeds up the production of audio recordings, reduces human error and enables the creation of consistently high-quality audio files. In the future it will be necessary to examine more closely how AI-generated speech differs from human speech and how its naturalness could be further improved.