Fogalomtár › Generatív média

beszédszintézis (TTS)

angolul: text-to-speech, speech synthesis

A beszédszintézis olyan technológia, amely az írott szöveget géppel előállított, emberi hangra hasonlító beszéddé alakítja.

Érthetően

Képzeld el, hogy van egy fáradhatatlan felolvasód: bármilyen szöveget adsz a kezébe, azonnal felolvassa, akár éjjel kettőkor is. A beszédszintézis pontosan ezt csinálja, csak nem ember, hanem program áll a hang mögött.

Régen ezek a géphangok darabosak és robotszerűek voltak. A mai, mesterséges intelligenciára épülő rendszerek viszont hangsúlyoznak, szünetet tartanak, sőt érzelmet is tudnak vinni a hangba, ezért sokszor nehéz megkülönböztetni őket egy élő bemondótól.

Sok mindenre jó: felolvassa a navigáció utasításait, hangoskönyvet készít, segíti a látássérülteket, és ez adja a hangját a telefonos ügyfélszolgálaton dolgozó AI-agenteknek is. Abban más, mint egy hangfelvétel, hogy nem előre rögzített mondatokat játszik le, hanem bármilyen új szöveget ki tud mondani.

Hogyan működik

1. A rendszer először előkészíti a szöveget: feloldja a rövidítéseket, kiírja a számokat és dátumokat (a „2026” így lesz „kétezer-huszonhat”).
2. Ezután meghatározza, hogyan kell kiejteni a szavakat, vagyis a betűket beszédhangokra fordítja le.
3. Egy neurális háló megtervezi a mondat dallamát: hol legyen hangsúly, hol szünet, milyen gyors legyen a tempó.
4. Egy másik modell ebből a „kottából” tényleges hanghullámot állít elő, ezt hallod a hangszóróból. A legújabb rendszerekben ezek a lépések már nem válnak el élesen: gyakran egyetlen nagy modell végzi a teljes munkát a szövegtől a hangig.
5. A modern rendszereknél megadhatod a hang karakterét is (férfi, női, vidám, komoly), sőt néhány másodpercnyi mintából egy konkrét ember hangját is utánozni tudják.

Példa a mindennapokból

Kit érint

Gyakori félreértés

Korlátok és kockázatok

• Néhány másodpercnyi hangmintából lemásolható valakinek a hangja, ezért ha egy „ismerős” telefonon sürgősen pénzt kér, hívd vissza a megszokott számán.
• Ritka neveknél, idegen szavaknál, rövidítéseknél és többértelmű mondatoknál a gép még mindig hibázhat a kiejtésben vagy a hangsúlyban.
• A magyar nyelvű hangok minősége és választéka általában elmarad az angolétól, bár a különbség gyorsan csökken.
• Más ember hangjának engedély nélküli utánzása jogi és etikai kérdéseket vet fel, a színészek és szinkronhangok megélhetését pedig közvetlenül érinti.

Hasonló, de nem ugyanaz

• beszédfelismerés – A beszédfelismerés az ellenkező irányba dolgozik: a kimondott szót alakítja írott szöveggé.
• hangklónozás – A hangklónozás egy konkrét ember hangját másolja le, míg a beszédszintézis tágabb fogalom, és többnyire kész, „senkihez sem tartozó” hangokkal dolgozik.
• hangasszisztens – A hangasszisztens megérti a kérdésed és válaszol rá, a beszédszintézis ennek csak az utolsó lépése, amely a választ kimondja.

Kapcsolódó fogalmak

Röviden a története

A gépi beszéd egyik úttörője a magyar Kempelen Farkas volt, aki 1791-ben megjelent könyvében írta le mechanikus beszélőgépét. A mai, természetes hangzású rendszerek kora 2016-ban kezdődött, amikor a DeepMind bemutatta a neurális hálóra épülő WaveNet modellt.

Hol tart most

2026 végén a beszédszintézis hétköznapi technológia: ott van a telefonokban, autókban, ügyfélszolgálatokon és a tartalomgyártásban, a legjobb rendszerek pedig valós időben, érzelmekkel beszélnek. A figyelem a visszaélések megelőzésére került. Az EU MI-rendeletének átláthatósági szabályai (50. cikk) szerint a mesterségesen előállított hanganyagot géppel felismerhető módon jelölni kell, a megtévesztően valósághű hamisítványról (deepfake) pedig közölni kell, hogy mesterséges. Ezek a szabályok 2026 augusztusától alkalmazandók, részben átmeneti idővel.

Állapot: 2026. november

A hírekben

• Hatóságok és médiumok figyelmeztetnek az AI-hangklónozásos csalásokra2026. nov. 2. · Pénz
• AI-hangutánzással csaltak ki hatalmas összeget egy olasz banktól2026. okt. 26. · Pénz
• A Google aligha éri el az AI-hanghasználati per elutasítását2026. okt. 21. · Jog
• Bankok az AI-hangklónozás elleni ügyfélbizalomért: SBI-figyelmeztetés és hívásvédelem2026. okt. 12. · Pénz
• Litván törvényhozók jogi védelmet javasolnak az AI-hangklónozás ellen2026. okt. 12. · Jog
• Nyugat-Virginia AI-hangrögzítésbe fektet a vidéki kórházakért2026. szept. 30. · Egészség
• AI-hangklónozásos csalás az Intesa Sanpaolónál: 95 millió eurós utalások2026. szept. 25. · Pénz
• A Medicai AI-alapú hangdiktálást vezetett be a gyorsabb klinikai leletezéshez2026. szept. 15. · Egészség

Más nevei

beszédszintézis · text-to-speech · TTS · szövegfelolvasó · gépi beszéd · szövegből beszéd · speech synthesis · AI-hang

Források

• van den Oord et al.: WaveNet: A Generative Model for Raw Audio (2016)

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.