Синтезированный голос учится передавать эмоции и контекст
Когда модель читает свой ответ, раньше использовалась единообразная озвучка: ровный темп, ровная высота, ровная громкость. Слушатель воспринимал это как монотонный диктофон.
Сейчас разработчики добавляют вариативность. Система анализирует, что говорит: если это вопрос — повышает интонацию в конце, если перечисление — ускоряет темп между пунктами, если сомнение — добавляет паузы.
Эмоции через технику
Эффект достигается не через отдельный анализ настроения, а через разметку текста перед синтезом. Теги расставляют разработчики вручную или модель добавляет их сама, указывая нужный тон.
Результат не приближается к актёрскому мастерству, но слушатель начинает верить, что говорит человек, разбирающийся в теме. Этот эффект важнее качества голоса как такового.
Пока это работает только на английском и на основных европейских языках. Для менее распространённых языков остаётся всё ещё монотонный синтез, хотя разница становится заметна на слух.