Kādi ir veidi, kā izteikt botu?
Ir divi galvenie veidi, kā izteikt botu: izmantojiet runas sintēzi vai
Viena no slavenākajām runas sintēzes metodēm ir patstarp neprogrammētājiem - TTS. Dators vienkārši lasa un runā tekstu. Spilgts piemērs ir Google runas pakalpojumu sintēze, ko var dzirdēt Google tulkotājs. Dienesta krievu runu ir ļoti viegli atšķirt no dabiskās runas, kas ir šādas sintēzes galvenā problēma. Lai liktu nepieciešamo uzsvaru, izmantojiet SSML — runas sintēzes marķējumu. Bet pat ar to ir grūti panākt tādu skaņu kā profesionāls diktors. Tāpēc mēs sākām izstrādāt augstas kvalitātes alternatīvu.
Kāpēc nepieciešama runas sintēze ar mainīgajiem
Uzņēmumi aktīvi izmanto balss iespējasroboti un cenšas padarīt viņu runu klientiem patīkamāku un personalizētāku. Personalizēšana palielina iesaisti un lojalitāti: 70% uzņēmumu, kas izmanto uzlaboto personalizāciju, sasniedza 200% IA vai vairāk par saviem centieniem.
Lai robota balss būtu reālistiska, uzņēmumiierakstīt diktora, aktiera vai kontaktu centra operatora balsi. Negatīvā puse ir tāda, ka visas kopijas ir statiskas. Tas ir piemērots, piemēram, norādījumiem par pasūtījuma atcelšanu vai informēšanai par aktuālajām akcijām. Taču biznesa komunikācija satur daudz mainīgu datu — mainīgos.
Lai robota balss būtu reālistiska, uzņēmumi ieraksta diktora, aktiera vai kontaktu centra operatora balsi. Negatīvā puse ir tāda, ka visas kopijas ir statiskas.
Piemēram, lai apstiprinātu tikšanos klīnikā:Pacienta vārds, ārsta uzvārds, apmeklējuma datums un laiks. Piegādes gadījumā: klienta pilns vārds, pasūtījuma numurs un tā saturs, summa un piegādes laiks. Katrā ierakstā ir jāietver individuāli klienta vai viņa pieprasījuma parametri. Un tad tiek izmantota failu līmēšana, audio mikss vai vienkārši robotizēta balss darbība.
Līmēšanas būtība ir tāda, ka tā rada“pieteikumi” no daudziem diktora ierakstiem. Piegādes gadījumā jāpieraksta aptuveni 1,5 tūkstoši biežāk sastopamo ielu, pilsētu nosaukumi, māju un dzīvokļu numuri. Tas ir ļoti darbietilpīgs uzdevums, kas no diktora prasa ievērojamas pūles un laiku. Pēc ierakstīšanas audio faili ir jāapvieno pareizā secībā. Profesionāls skaņu inženieris var veikt vienmērīgas pārejas starp griezumiem un pauzēm, taču krustojumi joprojām būs dzirdami, un liels avota datu apjoms padara šo darbu nepārvaramu. Izmēģinājām šo iespēju, taču sapratām, ka tā nav piemērota sarežģītu problēmu risināšanai.
Mēs zinām, ka daži uzņēmumi cenšas atrast skaļruni ar balsi, kas ir līdzīga standarta SpeechKit balss darbībai no Yandex vai Google Speech. Bet šajā gadījumā ieliktņi arī ir dzirdami.
Mēs mēģinājām to integrēt balss pārraides ierakstosTTS. Tas ir, mēs iepriekš neierakstījām visus ielu un pilsētu nosaukumus, bet ģenerējām vēlamo frāzi, izmantojot TTS, pamatojoties uz diktora balsi, un ievietojām to iepriekš ierakstītajā diktora replikā. Rezultāts bija cilvēka un robota emocionālas, dzīvas runas sajaukums.
Lai ko mēs mēģinātu no dažādiem instrumentiem,Mums nebija labu rezultātu. Rezultātā mēs nonācām pie sava algoritma izstrādes, ko nosaucām par hibrīda sintēzi. Šī tehnoloģija ļauj ātri mainīt frāzes balss robota balss ierakstos; jums vienkārši jānodod algoritmam nomaiņa. Tajā pašā laikā sintezētā runa kopē runātāja intonāciju un emocijas, izklausās dabiski un neizceļas no konteksta. Tādā veidā varat izrunāt visus mainīgos, kas nebija sākotnējā balss pārraides ierakstā, kā arī pārbaudīt jaunus scenārijus.
TTS
Kā darbojas hibrīda sintēze?
Pirmais posms ir darbs ar diktoriem.Lai aptvertu krievu valodas daudzveidību, bija nepieciešams ierakstīt 10 stundu runu profesionālā studijā. Tās ir frāzes no grāmatām, ziņām un bieži sastopamiem datiem: cipari, vārdi, adreses un pilsētas. Tas nodrošina pietiekami daudz apmācības datu, pēc kuriem varat sākt veidot hibrīda sintēzes modeļus katram skaļrunim.
Katram robotzvana projektam diktors pieraksta frāžu veidnes, piemēram: “Sveiki,Sergejs Petrovičs! Rīt mēs piegādāsim jūsu pasūtījumu uz jūsu adresiTveras iela, 3Ar14 līdz 18stundas.Vai jums būs ērti to pieņemt?” Hibrīda sintēzes modelis var apstrādāt tādus uzdevumus kā, piemēram, kad nepieciešams aizstāt Sergeju Petroviču ar Annu Vasiļjevnu, un adrese un laiks - uz Bolšaja Zeļeņina ielu 24 no pulksten 10 līdz 14. Rezultāts ir jauna kopija ar sintezētiem mainīgajiem: “Sveiki!Anna Vasiļjevna! Rīt mēs piegādāsim jūsu pasūtījumu uz jūsu adresiBolshaya Zelenina iela, 24Ar10 līdz 14stundas. Vai jums būs ērti to pieņemt?” Katram zvanam uz klientu bāzi tiek izveidots un izpildīts atsevišķs uzdevums.
Balss pārraide
Augsta skaņas kvalitāte tiek panākta, pateicoties tam, ka neironu tīkls izmanto runātāja intonācijas un emocijas no piemēra.
Hibrīda sintēzes iestatīšana
Mēs piedāvājam vairākus gatavus modeļushibrīda sintēze ar sieviešu un vīriešu balsīm. Veidņu izsaukumi darbojas JAICP un JAICF platformās; zvani no citos pakalpojumos izveidotiem robotiem ir iespējami, izmantojot API. Skripta iestatīšana no jauna aizņem vairākas stundas. Viena sintezētā kopija maksā 12 kapeikas, projekta veidnes balss pārraide maksā 3000 rubļu par diktora darba stundu.
Gatavo balsu komplekts paplašināsies.Ir arī iespēja izmantot Just AI hibrīda sintēzi, izveidojot modeli individuāli izvēlētam diktoram vai uzņēmuma oficiālajai balsij.
hibrīda sintēze
Hibrīda sintēzes tehnoloģija ļauj personalizēt IVR un robotizētos zvanus NPS aptauju, anketu, atgādinājumu, papildu pārdošanas un lojalitātes programmu atbalsta nolūkos.
Lasīt vairāk:
Melnais caurums galaktikā pierādīja, ka Einšteinam ir taisnība. Galvenais
Kosmoss iznīcina kaulus un maina to struktūru: zinātnieki nezina, kā cilvēki lidos uz Marsu
Astronomi ir atraduši planētas, kas atšķiras no Zemes, bet piemērotas dzīvībai