Словарь ИИ
Что такое синтез речи
Коротко
Синтез речи (text-to-speech, TTS) это превращение письменного текста в звучащий голос с помощью программы.
Основы ИИ · text-to-speech
Михаил МозгПроверено: 1 минута чтения
Ребенку
Помнишь книжку со звуками: нажимаешь на кнопку и слышишь голос героя? Там записан готовый голос. А компьютер умеет больше: ему дают любой текст, даже совсем новый, и он сам читает его вслух. Он знает, как звучит каждый звук, где сделать паузу и когда голос должен подняться, как в вопросе. Получается, будто книжку читает настоящий человек.
Простыми словами
Программа получает текст и сначала готовит его к чтению: раскрывает сокращения («ул.» в «улица», «кг» в «килограммов»), записывает числа словами, расставляет ударения. Потом модель решает, как должна звучать фраза: темп, паузы, интонация. Последний шаг собирает из этого звуковую волну. Раньше голоса склеивали из записанных кусочков, и они звучали рвано. Нейросети говорят плавно, почти как человек. Так озвучивают подсказки навигатора, объявления остановок в транспорте и статьи для тех, кто плохо видит.
Для бизнеса
Синтез нужен голосовым агентам, которые принимают звонки, подтверждают запись и напоминают об оплате, а также для озвучки обучающих курсов и видео. От качества голоса зависит, положит ли клиент трубку в первые секунды. Цена складывается из числа символов или минут озвучки, выбора облака или своего сервера и требований к задержке: в живом разговоре ответ должен звучать почти сразу. Голос реального человека используйте только с его письменного согласия. Проверьте, как модель читает ваши названия, адреса и суммы: ошибки ударений в фамилиях клиентов раздражают сильнее, чем механический тембр. Звучание подбирают и слушают на пилоте до запуска.
Для специалиста
Синтез речи (text-to-speech) обычно делят на три этапа: нормализация текста и перевод графем в фонемы (grapheme-to-phoneme), акустическая модель, которая предсказывает мел-спектрограмму (mel spectrogram), и вокодер (vocoder), который строит звуковую волну. WaveNet (van den Oord и др., 2016) генерировал сырой звук авторегрессионно, отсчет за отсчетом, и по оценкам естественности обошел параметрические и конкатенативные системы для английского и китайского. Tacotron 2 (Shen и др., 2017) соединил рекуррентную seq2seq-сеть, которая предсказывает мел-спектрограммы по символам, с модифицированным WaveNet и получил среднюю оценку MOS 4,53 против 4,58 у профессиональной записи. Дальше развивались неавторегрессионные и потоковые модели для низкой задержки, а также перенос голоса по короткому образцу (zero-shot voice cloning). Качество меряют средней оценкой слушателей (mean opinion score) и разборчивостью, а интонацию и паузы размечают языком SSML.
Пример
Сеть стоматологий за день до приема звонит пациентам синтезированным голосом: называет время и имя врача и просит подтвердить визит. Ответ пациента распознается, и запись в расписании меняется без участия администратора.
Связанные термины
Вопросы и ответы
Можно ли отличить синтез речи от живого голоса?
Можно ли озвучить текст голосом конкретного человека?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений