न्यूरल नेटवर्क्सने रशियन भाषण संश्लेषणाची गुणवत्ता नवीन स्तरावर आणली आहे

Sberbank इकोसिस्टमचा भाग असलेल्या MDG ग्रुप ऑफ कंपन्यांनी प्रगत भाषण संश्लेषण प्लॅटफॉर्म विकसित करण्याची घोषणा केली आहे, जे कोणत्याही मजकूराचे सहज आणि अर्थपूर्ण वाचन सुनिश्चित करण्यासाठी म्हणतात.

सादर केलेले समाधान भाषण संश्लेषण प्रणालीची तिसरी पिढी आहे. जटिल न्यूरल नेटवर्क मॉडेल्सद्वारे उच्च-गुणवत्तेचे ऑडिओ सिग्नल व्युत्पन्न केले जातात. विकसकांचा असा दावा आहे की या अल्गोरिदमचा परिणाम रशियन भाषेतील भाषणाचा सर्वात वास्तविक संश्लेषण आहे.

प्लॅटफॉर्ममध्ये मूळ शब्दकोषात नसलेल्या शब्दांमधील तणावाचा अंदाज लावण्यासाठी एक मॉड्यूल समाविष्ट आहे. याव्यतिरिक्त, सामान्य शुद्धलेखनाच्या चुका स्वयंचलितपणे दुरुस्त केल्या जातात. मजकूराच्या सखोल भाषिक विश्लेषणाबद्दल धन्यवाद, उच्चार कठीण परिस्थितीतही भाषेच्या मानदंडांशी संबंधित असेल.

प्लॅटफॉर्मचा आणखी एक फायदा असा आहे की त्याला GPU प्रवेगकांसह सुसज्ज असलेल्या महाग सर्व्हरची आवश्यकता नाही. तुम्ही तंत्रज्ञान दोन प्रकारे वापरू शकता: क्लाउड सेवेद्वारे किंवा ते तुमच्या स्वतःच्या सोल्यूशनमध्ये समाकलित करून.

विकासाच्या वापराच्या संभाव्य क्षेत्रांपैकी चॅटबॉट्स आणि व्हॉइस असिस्टंट, माहिती आणि सूचना सेवा, कॉल दरम्यान कोणत्याही मजकूराच्या त्वरित संश्लेषणासह व्हॉइस सेवा इ.

"क्लायंटसह संप्रेषणाच्या स्वयंचलित परिस्थितींमध्ये, तंत्रज्ञान तुम्हाला प्रत्येक सदस्याशी वैयक्तिकरित्या संवाद साधण्याची परवानगी देते, कारण कोणतेही निश्चित संदेश नाहीत आणि कॉल दरम्यान कोणताही मजकूर संश्लेषित केला जाऊ शकतो," विकासक म्हणतात.

तुम्ही तंत्रज्ञान वापरून पाहू शकता येथे. 

स्त्रोत: 3dnews.ru