Ääniäly-sanasto

Ääniäly on kattokäsite teknologioille, joissa ääni, puhe ja tekoäly kohtaavat. Sen alle mahtuvat puheteknologia, audioteknologia, puhekäyttöliittymät, puheentunnistus, puheentuotto, äänen muunnos, reaaliaikaiset agentit, musiikki-AI, synteettinen media sekä ääneen liittyvät turvallisuus- ja väärinkäytöskysymykset. Tämä sivu kokoaa yhteen keskeiset termit selkokielisesti ja mahdollisimman johdonmukaisesti.

Tällä sivulla termit esitetään ensisijaisesti niiden yleisesti käytetyllä englanninkielisellä nimellä. Suluissa on suomenkielinen vastine silloin, kun sellainen on vakiintunut tai kun sille on perusteltu ehdotus. Mukana on myös huomioita siitä, mitkä termit menevät helposti sekaisin ja miten niitä kannattaa käyttää eri yhteyksissä.

Tämä pääsivu toimii sanaston keskuksena. Sen tarkoitus on auttaa nopeasti hahmottamaan, mitä ääniäly oikeastaan tarkoittaa vuonna 2026, millä sanoilla aiheesta kannattaa puhua suomeksi ja mistä kokonaisuuksista ala rakentuu. Termeille täydennetään myöhemmin omia tarkempia alasivujaan.

Sisällysluettelo

Peruskäsitteet

Speech technology (puheteknologia)

Puheteknologia tarkoittaa teknologioita, jotka käsittelevät ihmisen puhetta. Se kattaa esimerkiksi puheentunnistuksen, puheen ymmärtämisen, puheen tuoton ja muun puhesignaalin käsittelyn. Käytännössä puheteknologia mahdollistaa esimerkiksi puheohjauksen, automaattiset puhelinpalvelut ja ääneen vastaavat digitaaliset avustajat.

Audio technology (audioteknologia)

Audioteknologia on puheteknologiaa laajempi käsite. Se kattaa puheen lisäksi myös muun äänen, kuten musiikin, ympäristöäänet, äänentoiston, tallennuksen, signaalinkäsittelyn ja tekoälyn tuottamat tai analysoimat äänet. Kun puhutaan koko ääni + tekoäly -kentästä, audioteknologia toimii usein hyvänä ylätason käsitteenä.

Digital Signal Processing, DSP (digitaalinen signaalinkäsittely)

DSP on äänenkäsittelyn tekninen perusta. Sen avulla ääntä voidaan suodattaa, vahvistaa, muokata, analysoida ja valmistella tekoälymallien käyttöön. Moni ääniälyn toiminto nojaa käytännössä DSP:hen, vaikka käyttäjä näkee pinnalla vain puheentunnistuksen, kohinanvaimennuksen tai luonnolliselta kuulostavan tekoäänen.

Voice user interface, VUI (puhekäyttöliittymä)

Puhekäyttöliittymä on käyttöliittymä, jossa ensisijainen tapa toimia on puhuminen ja kuunteleminen. Taustalla ovat yleensä puheentunnistus, puheen tuotto ja dialogilogiikka. Hyvä puhekäyttöliittymä tuntuu sujuvalta, osaa vastata oikeaan aikaan ja sallii tarvittaessa myös käyttäjän keskeytyksen.

Puheentunnistus ja ymmärrys

ASR, Automatic Speech Recognition (puheentunnistus)

Puheentunnistus muuntaa puhutun kielen tekstiksi. Se vastaa kysymykseen mitä sanottiin. Tätä käytetään esimerkiksi kokouslitteroinnissa, tekstityksissä, puhehaussa ja puheohjauksessa. Ääniälyn näkyvimmät arjen sovellukset perustuvat usein juuri ASR:ään.

NLU, Natural Language Understanding (kielen ymmärtäminen)

NLU tulee puheentunnistuksen jälkeen. Kun ASR tuottaa sanat, NLU yrittää ymmärtää niiden merkityksen, aikomuksen ja mahdolliset olennaiset tiedot. Yksinkertaistaen ASR kuulee sanat, NLU yrittää ymmärtää mitä käyttäjä niillä haluaa.

Spoken term detection (puhehaun avainsanahaku)

Puhehaun avainsanahaulla etsitään äänitallenteista tiettyjä sanoja tai fraaseja. Se sopii esimerkiksi arkistoihin, media-aineistoihin ja kokousmateriaalien läpikäyntiin. Tämä on eri asia kuin herätesanatunnistus, joka toimii yleensä reaaliaikaisena ja paljon rajatummassa käyttötarkoituksessa.

Punctuation restoration (välimerkkien palautus)

Puheentunnistus tuottaa usein raakatekstiä ilman kunnollista jäsentelyä. Välimerkkien palautus lisää pisteitä, pilkkuja, kysymysmerkkejä ja muita merkkejä automaattisesti. Tämä parantaa luettavuutta huomattavasti, mikä tekee siitä tärkeän vaiheen esimerkiksi litteroinneissa ja tekstityksissä.

Speech recognition vs. speaker recognition (puheentunnistus vs. puhujantunnistus)

Tämä on yksi alan yleisimmistä sekaannuksista. Puheentunnistus kertoo, mitä sanottiin. Puhujantunnistus kertoo, kuka puhui. Samassa järjestelmässä voidaan käyttää molempia, mutta niiden tarkoitus on eri.

Puheentuotto ja äänen muunnos

TTS, Text-to-Speech (puheentuotto)

Puheentuotto muuntaa kirjoitetun tekstin puheeksi. Sitä käytetään esimerkiksi ruudunlukijoissa, navigaattoreissa, ääniavustajissa, kuulutuksissa ja automaattisissa asiakaspalveluratkaisuissa. TTS on yksi ääniälyn peruspalikoista, ja sen laatu vaikuttaa suoraan siihen, tuntuuko palvelu luontevalta vai mekaaniselta.

Neural TTS (neuro-puheentuotto)

Neuro-puheentuotto tarkoittaa nykyaikaisia TTS-menetelmiä, joissa käytetään syviä neuroverkkoja. Ne pystyvät mallintamaan äänen sävyjä, rytmiä, intonaatiota ja luonnollisuutta aiempia menetelmiä paremmin. Käytännössä tämä on se teknologinen hyppäys, jonka ansiosta monet nykyiset tekoäänet kuulostavat huomattavasti vähemmän robottimaisilta kuin ennen.

Voice cloning (äänen kloonaus)

Äänen kloonaus tarkoittaa teknologiaa, jolla tietyn henkilön ääntä opetetaan mallille niin, että malli voi tuottaa uusia lauseita tämän henkilön kuuloisella äänellä. Kyse ei siis ole vain äänen analysoinnista, vaan uuden puheen generoimisesta kohdehenkilön äänellä. Tämä tekee teknologiasta sekä hyödyllisen että eettisesti herkän.

Voice conversion (äänen muunnos)

Äänen muunnos on eri asia kuin kloonaus. Siinä alkuperäinen puhe säilyy sisältönsä puolesta samana, mutta puhujan äänen piirteitä muutetaan toisenlaisiksi. Yksinkertaistaen TTS luo uutta puhetta tekstistä, kun taas voice conversion muuttaa jo olemassa olevan puheen ääntä. Sanaston tärkeä periaate on pitää kloonaus, muunnos ja synteesi erillään.

Puhekäyttöliittymät, agentit ja vuorovaikutus

Ääniäly ei ole vain äänen tunnistamista tai tuottamista, vaan yhä useammin myös vuorovaikutuksen suunnittelua. Kun puhetta käytetään käyttöliittymänä, järjestelmän pitää osata rytmittää keskustelua, tulkita käyttäjän aikomuksia, antaa palautetta ja toimia riittävän nopeasti, jotta kokemus tuntuu luontevalta. Tätä kokonaisuutta kuvaavat muun muassa puhekäyttöliittymät, dialogijärjestelmät, ääniagentit ja puheavustajat.

Sanastossa tehdään hyödyllinen ero avustajan, agentin, botin ja järjestelmän välille. Avustaja viittaa usein käyttäjälle näkyvään palvelijahahmoon tai työkalumaiseen apuriin. Agentti korostaa itsenäisempää toimijuutta ja päätöksentekoa. Botti on epämuodollisempi sana, ja järjestelmä sopii tilanteisiin, joissa halutaan korostaa koko teknistä kokonaisuutta, kuten IVR-ratkaisua tai puhepalvelualustaa.

Sanasto täydentyy!