Text-to-speech (TTS) is een AI-technologie die geschreven tekst omzet in natuurlijk klinkende spraak. Het is een vorm van generatieve AI die zich richt op audio-output in plaats van tekstoutput. Moderne TTS-systemen kunnen tekst zo natuurlijk uitspreken dat het moeilijk is om het verschil te horen met echte mensenstemmen.

TTS wordt gebruikt in talloze toepassingen: navigatiesystemen in auto’s, e-bookreaders, hulpmiddelen voor mensen met visuele beperkingen, customer service chatbots en virtuele assistenten. De kwaliteit is explosief verbeterd dankzij deep learning en neural networks, die intonatie, tempo en emotie kunnen nabootsen.

Het omgekeerde van TTS is Speech-to-Text (STT), waarbij gesproken woorden worden geconverteerd naar geschreven tekst. Samen vormen deze technologieën het fundament van veel spraak-interactie met AI.

Querying is het zoeken in een vector database naar de meest relevante vectoren op basis van een zoekvector. Het proces vergelijkt de invoervector met alle opgeslagen vectoren en retourneert de best overeenkomende resultaten.

In AI-systemen zoals large language models wordt querying gebruikt om relevante trainingsdocumenten, kennis of voorbeelden op te halen. Een zoekopdracht wordt eerst omgezet in een vector, vervolgens vergeleken met alle vectoren in de database met behulp van vector similarity (meestal cosine similarity), en de top-k meest relevante vectors worden teruggegeven.

Vector databases zoals Pinecone, Weaviate en Milvus zijn geoptimaliseerd voor snelle querying, zelfs met miljoenen of miljarden vectoren. Dit is essentieel voor retrieval-augmented generation (RAG) systemen, waar hoge-kwaliteit querying direct impact heeft op de kwaliteit van gegenereerde antwoorden.

Tokenization is het proces waarbij tekst wordt opgesplitst in kleinere eenheden, genaamd tokens. Dit is een fundamentele stap in hoe AI-taalmodellen tekst verwerken. In plaats van karakter voor karakter of woord voor woord te werken, gebruiken modellen tokens, die kunnen variëren van enkele karakters tot hele woorden.

De manier waarop tekst wordt ge-tokeniseerd bepaalt hoe het model informatie begrijpt en verwerkt. Een simpel woord als “onbegrijpelijk” kan worden opgesplitst in meerdere tokens. Dit proces is belangrijk omdat het direct invloed heeft op hoe lang een tekst voelt voor het model (in termen van kosten en verwerkingstijd), en ook op hoe goed het model nuances in taal kan begrijpen.

Elk AI-model heeft zijn eigen tokenizer. OpenAI’s modellen gebruiken een andere tokenization dan Claude, wat betekent dat dezelfde tekst voor het ene model meer tokens is dan voor het andere.

Transfer learning is een techniek waarbij een AI-model dat al is getraind op een grote dataset wordt hergebruikt en aangepast voor een ander, kleinere taak. Het voorkómt dat je helemaal opnieuw moet trainen — wat veel tijd en reken­kracht zou kosten — en je profiteert van de kennis die het model al heeft opgebouwd.

Dit werkt omdat veel van de patronen die een model leert op een grote dataset (zoals het herkennen van patronen in afbeeldingen of taalstructuren) universeel bruikbaar zijn. Je kunt dus een model dat op miljoenen afbeeldingen is getraind nemen en het aanpassen voor een niche-taak, zoals het herkennen van ziektes in medische scan­nen.

Transfer learning is een van de redenen dat AI-modellen zo snel zijn gegroeid: in plaats van elke toepassing helemaal opnieuw te trainen, bouwen we voort op bestaande, goed presterende modellen.