Пользователь заходит в Яндекс-переводчик и набирает текст: «Я живу в Москве. Разрабатываю голосовых роботов для компаний. Я помогаю настраивать массовые обзвоны клиентов и повышать продажи бизнеса». Нажимает кнопку «Перевести на английский», а затем выбирает функцию озвучки. И ему голосом читают вслух переведенный текст на английском языке. Так человек воспользовался технологией синтеза речи. Рассказываем, что это, как работает и зачем нужно.

Синтез речи — это технология, которая позволяет переводить текстовую информацию в аудиоформат. По-другому синтез речи сокращают до аббревиатуры TTS — text-to-speech. Так, в примере выше человек при помощи синтеза речи озвучил английский текст. Или еще один вариант: голос навигатора, который направляет водителя, тоже воспроизводится синтезированной речью.

У некоторых людей нет возможности читать тексты в силу разных обстоятельств: дислексии, из-за которой буквы не складываются в осмысленные слова, проблем со зрением или просто недостатка времени. Синтез речи помогает таким людям познакомиться с текстами компании на сайте, уточнить информацию, пообщаться с консультантом и задать ему вопрос в чате.

Синтез речи применяется в простых сервисах, например для перевода или озвучки текстов на сайте, и в работе сложных виртуальных помощников, когда, кроме озвучивания реплики, системе нужно понять и интерпретировать слова собеседника. К примеру, человек звонит телефонному оператору и попадает на голосового помощника, с которым можно общаться, чтобы решить проблему через голосовые команды.

Механизм TTS работает по принципу преобразования входных сигналов. То есть в нейросеть поступает вводный текст или аудиосообщение от собеседника, умные технологии анализируют, какая структура у текста, грамматика, лексика. После обработки система создает ответ и преобразует его в звуковые волны, которые имитируют речь.

Технология speech synthesis может просто озвучивать текст на сайте, в рекламном объявлении или в навигаторе или анализировать речь пользователя и отвечать ему в соответствии с его запросом. Во втором случае требуются более сложные системы с искусственным интеллектом, которые умеют воспринимать человеческую речь и в соответствии с ней давать осмысленный ответ.

Такие роботы есть в Томору. Они общаются с клиентами и синтезируют реплики на основе диалогов с людьми. Диалоги получаются похожими на обычные разговоры людей, и некоторые покупатели даже не подозревают, что общаются с роботами. Умные колонки Алиса и Маруся тоже синтезируют человеческую речь.

Не вся синтезированная речь звучит одинаково. В технологии TTS в основном выделяют два метода синтеза: конкатенативный и параметрический. В случае с конкатенативным методом используются заранее записанные диктором или актером звуки, отдельные выражения и слова, из которых система как пазл собирает синтезированную речь по кусочкам.

Для этого нужно набрать огромную базу записей, из которых умная система будет генерировать озвучку. У такого метода есть существенный недостаток: такая речь может звучать неестественно и монотонно, так как не учитывает особенностей фонетики, интонацию людей и запинается в местах «склеивания».

Параметрический метод более сложный и включает в себя глубокое обучение, когда нейросети постоянно совершенствуют речь, чтобы сделать ее более «человечной». Он моделирует физиологию, с помощью которой производятся звуки, поэтому такие аудиодорожки, как правило, звучат более натурально.

С развитием нейросетей алгоритмы синтеза речи постоянно совершенствуются. Они обрабатывают всё большие объемы информации, чтобы машинный разговор звучал правдоподобнее: например, появлялись паузы, менялась интонация.

Синтез речи существенно расширяет возможности для бизнеса. Вот какие преимущества у него есть:

позволяет охватить более широкую аудиторию, так как не все люди могут или хотят читать тексты на сайте, но готовы их прослушать в аудио. Например, у журнала может прирасти аудитория, если редакция внедрит на сайт со статьями синтез речи и переведет статьи в формат подкаста. Тогда люди смогут слушать статьи в авто или на прогулке;

повышает доверие и лояльность клиентов — синтезированную речь часто используют в работе голосовых помощников и виртуальных ассистентов. Например, большая компания может установить технологию синтеза речи для работы колл-центра: люди будут оформлять заказы через робота, уточнять статус покупки, решать вопросы о доставке и оплате;

экономит деньги — технология синтеза речи заменяет штат актеров, продюсеров и звукозаписывающую студию и позволяет создавать аудиокниги, субтитры без привлечения дополнительных кадров;

поддерживает связь с клиентом — голосовые роботы с синтезом речи не спят, не уходят в отпуск или на обед и готовы всегда проконсультировать человека по его вопросам. Поэтому помощник, который умеет отвечать как человек, может общаться с клиентами в выходные, напоминать им о записи или консультировать по услугам.

Так как у технологии TTS много возможностей, которые облегчают задачи бизнесу, компании часто применяют роботов с синтезированной речью для продаж. С помощью голосовых роботов они совершают холодные обзвоны и сообщают об акциях, принимают заявки, записывают людей на услуги. Крупные технологичные компании разрабатывают своих виртуальных помощников, которые работают в службе поддержки и помогают решать частые проблемы клиентов. Еще компании используют синтез речи, чтобы озвучивать интерфейс сайта и записывать подкасты.

Синтез речи совершенствуется, и, например, отличить в телефонном разговоре робота от человека становится всё сложнее. В Томору мы настраиваем роботов, которые общаются с людьми естественно и помогают решать задачи бизнеса.