Grupa firm CRT, należąca do ekosystemu Sberbanku, ogłosiła opracowanie nowoczesnej platformy syntezy mowy, która, jak twierdzi, zapewnia płynność i ekspresyjność w odczytywaniu dowolnego tekstu.
Przedstawione rozwiązanie jest trzecim pokoleniem systemu syntezy mowy. Wysokiej jakości sygnał audio generują zaawansowane modele sieci neuronowych. Programiści twierdzą, że wynikiem działania tych algorytmów jest najbardziej realistyczna synteza mowy w języku rosyjskim.
W skład platformy wchodzi moduł przewidywania akcentów w słowach, które nie są jeszcze dostępne w podstawowym słowniku. Ponadto, przewidziano automatyczne poprawianie typowych błędów ortograficznych. Dzięki głębokiej analizie lingwistycznej tekstu wymowa będzie odpowiadała normom językowym nawet w trudnych przypadkach.
Kolejną zaletą platformy jest to, że nie wymaga drogich serwery, wyposażonych w akceleratory GPU. Technologie można stosować na dwa sposoby — poprzez usługę chmurową lub wbudowując je w własne rozwiązanie.
Wśród możliwych obszarów zastosowania opracowania wymienia się chatboty i asystentów głosowych, usługi informacyjne i powiadamianie, usługi głosowe z natychmiastową syntezą dowolnego tekstu w trakcie rozmowy itd.
„W zautomatyzowanych scenariuszach komunikacji z klientami technologia umożliwia indywidualne podejście do każdego abonenta, ponieważ nie ma sztywnych wiadomości, a dowolny tekst może być syntetyzowany w trakcie rozmowy” — mówią programiści.
Technologię można wypróbować .
Źródło: 3dnews.ru
