Adobes projekt Voco är ett "Photoshop för ljud"
Företagets teknikdemonstration av hur ljud kan analyseras och översättas till text har imponerat på deltagare under mässan Adobe MAX 2016.
Sannolikheten är stor att du eller någon du känner har testat på Adobes olika mjukvaror tidigare, där bildredigeraren #Photoshop är den stora ikonen. #Adobe håller årligen en konferens där nya och uppdaterade produkter premiärvisas, och bland årets utbud hittas en synnerligen intressant teknikdemonstration vid namn Voco.
Project Voco är en förkortning av "Voice conversation" och beskrivs som "Photoshop för ljud". Vad det handlar om är en ljudredigerare som kan analysera ljudspår och konvertera talat språk till text. Den stora nyheten här är att användaren kan redigera den utlästa texten varpå programmet konverterar ändringarna till ljudspåret, eller kort och gott redigera inspelat tal.
Utöver att redigera de utlästa orden kan även nya ord skrivas in och "skjutas in" bland det redan existerande talet. I den teknikdemonstration som visades upp under konferensen visades den analyserade texten upp i ett textfält under ljudspåret. Rösten i ljudspåret analyseras och en syntetisk version av rösten skapas. När du skriver in ett nytt ord används denna syntetiska röst för att efterlikna hur det skulle kunna låta när personen i ljudklippet uttalar ordet.
Det är möjligt att byta plats på ord i texten vilket återspeglas i ljudspåret.
-
Det är även möjligt att skriva in nya ord som inte existerar i ljudspåret varpå dessa konstrueras baserat på olika språkljud.
Den nuvarande lösningen fungerar på så sätt att en ljudslinga bryts ner i ett antal språkljud, så kallade fonemer, som utgör ett talat språk. Dessa språkljud används sedan för att återskapa hur talaren skulle kunna uttala vissa ord. I dagsläget kräver tekniken att det analyserade ljudspåret är minst 20 minuter långt med talat språk, men detta ska minskas med tiden.
I videon ovan demonstrerar Adobe hur existerande ord kan skrivas in på olika platser i texten varpå programmet letar upp ljudet för detta ord på andra platser i ljudspåret och infogar det på aktuell plats. Ungefär 4:30 minuter in i videon kan du även se hur orden "three times", som inte finns i ljudspåret, skapas utifrån de olika språkljuden.
Adobe har historiskt visat upp nya tekniker på MAX-konferensen som sedan blir till kommersiella produkter inom de kommande två åren. Om Voco faktiskt tar steget från teknikdemonstration till produkt lär det bli som en komponent i ljudredigeringsmjukvaran Adobe Audition.