Синтезированный голос различает вопрос и восклицание по интонации
Обновлённые модели синтеза голоса научились передавать эмоциональные оттенки исходя из пунктуации и структуры предложения. Вопросы звучат с характерным подъёмом интонации, восклицания — с энергией, а повествовательные предложения — нейтрально.
Такая дифференциация достигается через обучение нейросети на больших корпусах естественной речи с аннотированной просодией. Система анализирует не только знаки препинания, но и смысловой контекст для выбора оптимальной интонации.
Влияние на восприятие речи
Тестирование показало, что синтезированная речь с вариативной интонацией воспринимается слушателями на 22 процента естественнее, чем монотонное воспроизведение. Это особенно важно для диалоговых систем, где нужно передать эмоции персонажа.
Разработчики применили решение в синтезе речи для виртуальных помощников, аудиокниг и обучающих материалов. Платформа поддерживает русский, английский, немецкий и французский языки.
Планируется дальнейшее развитие технологии для захвата более тонких оттенков иронии, сарказма и эмпатии в синтезированной речи.