Jakie są sposoby wyrażania głosu botowi?
Istnieją dwa główne sposoby wyrażania głosu botowi: za pomocą syntezy mowy lub
Jedną z najbardziej znanych metod syntezy mowy jest parzystawśród nieprogramistów - TTS. Komputer po prostu czyta i wypowiada tekst. Uderzającym przykładem jest synteza usług mowy firmy Google, którą można usłyszeć w tłumaczu Google Translate. Rosyjską mowę służby bardzo łatwo odróżnić od mowy naturalnej, co jest głównym problemem takiej syntezy. Aby umieścić niezbędne akcenty, użyj znacznika SSML - syntezy mowy. Ale nawet przy tym trudno jest uzyskać brzmienie profesjonalnego spikera. Dlatego zaczęliśmy opracowywać wysokiej jakości alternatywę.
Dlaczego potrzebujesz syntezy mowy ze zmiennymi
Firmy aktywnie wykorzystują możliwości głosubotów i stara się, aby ich wypowiedzi były bardziej przyjemne i spersonalizowane w stosunku do klientów. Personalizacja zwiększa zaangażowanie i lojalność: 70% firm stosujących zaawansowaną personalizację odnotowało zwrot z inwestycji na poziomie 200% lub więcej.
Aby głos bota był realistyczny, firmynagraj głos spikera, aktora lub operatora contact center. Minusem jest to, że wszystkie repliki są statyczne. Przydaje się to np. w przypadku instrukcji dotyczącej anulowania zamówienia czy informowania o aktualnych promocjach. Jednak komunikacja biznesowa zawiera wiele zmieniających się danych – zmiennych.
Aby głos bota był realistyczny, firmy nagrywają głos narratora, aktora lub operatora contact center. Minusem jest to, że wszystkie repliki są statyczne.
Na przykład, aby potwierdzić wizytę w klinice:Imię i nazwisko pacjenta, nazwisko lekarza, data i godzina wizyty. W przypadku dostawy: imię i nazwisko Klienta, numer zamówienia i jego zawartość, ilość oraz czas dostawy. Każdy wpis musi zawierać indywidualne parametry klienta lub jego zapytania. Następnie stosuje się klejenie plików, miksy audio lub po prostu automatyczne odgrywanie głosu.
Istotą klejenia jest to, że tworzy„aplikacje” z licznych nagrań spikera. W przypadku dostawy należy spisać około 1,5 tysiąca najczęściej występujących ulic, nazw miast, numerów domów i mieszkań. Jest to bardzo pracochłonne zadanie, które wymaga od spikera znacznego wysiłku i czasu. Po nagraniu pliki audio należy połączyć w odpowiedniej kolejności. Profesjonalny inżynier dźwięku może płynnie przechodzić między cięciami i umieszczać pauzy, ale połączenia będą nadal słyszalne, a duża ilość danych źródłowych sprawi, że taka praca będzie przytłaczająca. Wypróbowaliśmy tę opcję, ale zdaliśmy sobie sprawę, że nie nadaje się ona do rozwiązywania złożonych problemów.
Wiemy, że niektóre firmy starają się znaleźć głośnik z głosem podobnym do standardowego głosu SpeechKit działającego z Yandex lub Google Speech. Ale w tym przypadku wstawki też są słyszalne.
Próbowaliśmy zintegrować to z nagraniami lektorskimiTTS. Oznacza to, że nie rejestrowaliśmy z góry wszystkich nazw ulic i miast, ale wygenerowaliśmy żądaną frazę za pomocą TTS na podstawie głosu spikera i wstawiliśmy ją do nagranej wcześniej repliki spikera. W rezultacie powstała mieszanka emocjonalnej, żywej mowy człowieka i robota.
Cokolwiek spróbujemy z różnych instrumentów,Nie osiągnęliśmy dobrego wyniku. W rezultacie opracowaliśmy własny algorytm, który nazwaliśmy syntezą hybrydową. Technologia ta pozwala na szybką zmianę fraz w nagraniach lektorskich dla bota głosowego, wystarczy przekazać zamianę do algorytmu. Jednocześnie mowa syntetyzowana kopiuje intonację i emocje mówiącego, brzmi naturalnie i nie wyróżnia się z kontekstu. W ten sposób możesz wyrazić dowolne zmienne, których nie było w oryginalnym nagraniu lektorskim, a także przetestować nowe scenariusze.
TTS
Jak działa synteza hybrydowa?
Pierwszy etap to współpraca ze spikerami.Aby oddać różnorodność języka rosyjskiego, konieczne było nagranie 10 godzin przemówień w profesjonalnym studiu. Są to frazy z książek, wiadomości i często występujące dane: cyfry, nazwiska, adresy i miasta. Zapewnia to wystarczającą ilość danych szkoleniowych, po których można rozpocząć tworzenie hybrydowych modeli syntezy dla każdego mówcy.
Dla każdego projektu robocall spiker zapisuje szablony fraz, np.: „Witam,Siergiej Pietrowicz! Jutro dostarczymy Twoje zamówienie pod wskazany adresulica Twerskaja, 3Z14 do 18godziny.Czy będzie ci wygodnie to zaakceptować?” Model syntezy hybrydowej może przetwarzać zadania, np. w przypadku konieczności zastąpienia Siergieja Pietrowicza Anną Wasiljewną oraz adresu i godziny - na ulicę Bolszaja Zelenina, 24 od 10:00 do 14:00. Rezultatem jest nowa replika ze zsyntetyzowanymi zmiennymi: „Witam,Anna Wasiliewna! Jutro dostarczymy Twoje zamówienie pod wskazany adresulica Bolszaja Zelenina, 24Z10 do 14godziny. Czy będzie ci wygodnie to zaakceptować?” Dla każdego połączenia z bazą klientów tworzone i wykonywane jest osobne zadanie.
Głos lektora
Wysoką jakość dźwięku osiąga się dzięki temu, że sieć neuronowa wykorzystuje intonacje i emocje mówiącego z przykładu.
Jak skonfigurować syntezę hybrydową
Oferujemy kilka gotowych modelisynteza hybrydowa z udziałem głosów żeńskich i męskich. Połączenia szablonowe działają na platformach JAICP i JAICF; wywołania od botów utworzonych w innych usługach są możliwe poprzez API. Konfiguracja skryptu od podstaw zajmuje kilka godzin. Jedna syntetyzowana replika kosztuje 12 kopiejek, lektor szablonu projektu kosztuje 3000 rubli za godzinę pracy spikera.
Zestaw gotowych głosów powiększy się.Istnieje również opcja wykorzystania hybrydowej syntezy Just AI wraz ze stworzeniem modelu dla indywidualnie wybranego spikera lub będącego oficjalnym głosem firmy.
synteza hybrydowa
Technologia syntezy hybrydowej pozwala na personalizację IVR i zrobotyzowanych połączeń na potrzeby ankiet NPS, kwestionariuszy, przypomnień, dosprzedaży i obsługi programów lojalnościowych.
Czytaj więcej:
Czarna dziura w galaktyce dowiodła, że Einstein miał rację. Główna rzecz
Kosmos niszczy kości i zmienia ich strukturę: naukowcy nie wiedzą, jak ludzie polecą na Marsa
Astronomowie odkryli planety, które różnią się od Ziemi, ale nadają się do życia