BSS TTS (Text To Speech)

Основные статьи:

• Распознавание речи (технологии, рынок)
• Речевые технологии: на пути от распознавания к пониманию
• Синтез речи

2024: Оптимизация создания голосового помощника

Компания BSS доработала свою TTS – программное решение для синтеза речи. Теперь для создания нового голоса достаточно часовой записи диктора вместо требовавшихся ранее 20 часов. Об этом BSS сообщила 21 февраля 2024 года.

Технология TTS (Text To Speech) позволяет воссоздать (синтезировать) голос конкретного человека для озвучивания виртуального помощника. Например, голос диктора или известной личности, если они являются частью имиджа компании.

Обычно для создания уникального голоса используется гибридный подход TTS, где реплики живого человека сочетаются с синтезированной речью. Диктор озвучивает статические реплики, тем самым сохраняя естественность и богатство интонаций. Синтез используется для озвучивания переменных: дат, фамилий, тарифов, адресов и т.д. Такой подход позволяет голосовому помощнику корректно передавать эмоции и интонации в разговоре с клиентом.

Ранее для создания уникального голоса требовалось от 15 до 20 часов аудиоматериала. Для справки: за один студийный день удается записать от 1 до 2 часов материала. Обычно сроки разработки увеличиваются, поскольку необходимо состыковать расписание студии, диктора и сроки проекта. У заказчиков возникает зависимость от расписания диктора: необходимо найти 10-15 свободных дней у диктора для записи материалов.

Экономия времени заказчиков и оптимизация их расходов стали главными задачами команды BSS при разработке обновленной версии. Так было подготовлено большое обновление со сменой базовой технологии обучения. В данной версии TTS для создания уникального голоса необходимо 1-2 часа аудиоматериалов. Это всего лишь 1 рабочий день студии.

Разработчики BSS ускорили процесс создания уникального голоса, сохранили качество записи, а также сделали возможной оптимизацию расходов заказчика.

Заказчикам нравится естественность речи при сочетании записанных диктором статических фраз с синтезированными динамическими фрагментами, которые звучат тем же голосом. Все большее число компаний, при внедрении голосовых помощников выбирают такой подход. На февраль 2024 года мы ведем несколько проектов с использованием гибридного TTS с обучением на одном часе аудио и планируем, что это станет массовым. В свою очередь работаем над повышением качества записи и эмоциональностью синтезированной речи, – прокомментировал директор департамента голосовых цифровых технологий компании BSS Александр Крушинский.