Синтез воспроизводит эмоцию слова, но путает её в контексте
Слово может звучать с печалью, радостью, злостью в зависимости от того, с какой интонацией его произнести. Синтезаторы учатся выбирать интонацию автоматически, анализируя контекст. Если в тексте написано слово с восклицательным знаком, они повышают громкость и ускоряют произнесение.
На простых примерах это работает надёжно: фраза о потере произносится грустно, фраза о победе — радостно. Но контекст в естественном языке хитрее. Иронию, сарказм, двусмысленность модель не всегда улавливает.
Граница интонации
Возникает парадокс: чем строже синтез связывает интонацию с лексикой, тем больше ошибок на сложных фразах. Попытка привязать эмоцию к словам приводит к выводу, что синтезированный оператор озвучит иронию как честное заявление.
Поэтому для важных диалогов разработчики возвращаются к явной разметке: режиссёр указывает, в каком тоне должна звучать каждая фраза. Это восстанавливает авторский контроль над эмоциями и превращает синтез из автоматизации обратно в инструмент.
На практике гибридный подход даёт лучший результат: синтез подбирает интонацию по контексту, а затем редактор корректирует её вручную для ключевых сцен.