Quais são as maneiras de dar voz a um bot?
Existem duas maneiras principais de dar voz a um bot: use a síntese de fala ou
Um dos métodos de síntese de voz mais famosos é aindaentre não programadores - TTS. O computador simplesmente lê e fala o texto. Um exemplo marcante é a síntese dos Serviços de Fala do Google, que pode ser ouvida no tradutor Google Translate. A fala russa do serviço é muito fácil de distinguir da fala natural, que é o principal problema de tal síntese. Para colocar os acentos necessários, use SSML - marcação de síntese de fala. Mas mesmo assim, é difícil conseguir o som de um locutor profissional. Portanto, começamos a desenvolver uma alternativa de alta qualidade.
Por que você precisa de síntese de fala com variáveis?
As empresas estão usando ativamente os recursos de vozbots e se esforça para tornar seu discurso mais agradável e personalizado para os clientes. A personalização aumenta o engajamento e a fidelidade: 70% das empresas que usam personalização avançada obtiveram um ROI de 200% ou mais em seus esforços.
Para tornar a voz do bot realista, as empresasgravar a voz de um locutor, ator ou operador de contact center. A desvantagem é que todas as réplicas são estáticas. Isto é adequado, por exemplo, para instruções sobre como cancelar um pedido ou informar sobre promoções atuais. Mas as comunicações empresariais contêm muitos dados em mudança – variáveis.
Para tornar a voz de um bot realista, as empresas gravam a voz de um narrador, ator ou operador de contact center. A desvantagem é que todas as réplicas são estáticas.
Por exemplo, para confirmar uma consulta numa clínica:Nome do paciente, nome do médico, data e hora da consulta. No caso de entrega: nome completo do cliente, número do pedido e seu conteúdo, quantidade e prazo de entrega. Cada entrada deve conter parâmetros individuais do cliente ou de sua solicitação. E então são usadas colagem de arquivos, mixagens de áudio ou simplesmente dublagem robótica.
A essência da colagem é que ela cria“aplicações” de inúmeras gravações do locutor. No caso de entrega, é necessário anotar cerca de 1,5 mil ruas, nomes de cidades, números de casas e apartamentos que ocorrem com frequência. Esta é uma tarefa muito trabalhosa que requer esforço e tempo significativos do locutor. Após a gravação, os arquivos de áudio precisam ser mesclados na sequência correta. Um engenheiro de som profissional pode fazer transições suaves entre cortes e pausas, mas as junções ainda serão audíveis, e grandes quantidades de dados de origem tornam esse trabalho cansativo. Tentamos essa opção, mas percebemos que não era adequada para resolver problemas complexos.
Sabemos que algumas empresas estão tentando encontrar um alto-falante com uma voz semelhante à dublagem padrão do SpeechKit do Yandex ou Google Speech. Mas neste caso, as inserções também são audíveis.
Tentamos integrá-lo em gravações de narraçãoTTS. Ou seja, não gravamos antecipadamente todos os nomes de ruas e cidades, mas geramos a frase desejada usando TTS com base na voz do locutor e inserimos na réplica do locutor pré-gravada. O resultado foi uma mistura de fala emocional e ao vivo de uma pessoa e de um robô.
Tudo o que tentamos com vários instrumentos,Não tivemos um bom resultado. Como resultado, desenvolvemos nosso próprio algoritmo, que chamamos de síntese híbrida. Essa tecnologia permite alterar rapidamente frases em gravações de narração para um bot de voz, bastando passar a substituição para o algoritmo; Ao mesmo tempo, a fala sintetizada copia a entonação e as emoções do locutor, soa natural e não se destaca do contexto. Dessa forma, você pode dar voz a quaisquer variáveis que não estavam na gravação original da narração, bem como testar novos cenários.
TTS
Como funciona a síntese híbrida?
A primeira etapa é trabalhar com locutores.Para abranger a diversidade da língua russa, foi necessário gravar 10 horas de fala em estúdio profissional. São frases de livros, notícias e dados de ocorrência frequente: numerais, nomes, endereços e cidades. Isso fornece dados de treinamento suficientes, após os quais você pode começar a criar modelos de síntese híbrida para cada alto-falante.
Para cada projeto robocall, o locutor escreve modelos de frases, por exemplo: “Olá,Sergei Petrovich! Amanhã entregaremos seu pedido no seu endereçoRua Tverskaya, 3Com14 a 18horas.Será conveniente para você aceitar isso? O modelo de síntese híbrida pode processar tarefas como quando é necessário substituir Sergei Petrovich por Anna Vasilievna, e o endereço e horário - para Rua Bolshaya Zelenina, 24, das 10h às 14h. O resultado é uma nova réplica com variáveis sintetizadas: “Olá,Anna Vasilievna! Amanhã entregaremos seu pedido no seu endereçoRua Bolshaya Zelenina, 24Com10 a 14horas. Será conveniente para você aceitar isso? Para cada chamada para a base de clientes, uma tarefa separada é criada e executada.
Locução
A alta qualidade de som é alcançada devido ao fato de a rede neural usar as entonações e emoções do locutor do exemplo.
Como configurar a síntese híbrida
Oferecemos vários modelos prontossíntese híbrida com vozes femininas e masculinas. As chamadas de modelo funcionam nas plataformas JAICP e JAICF; chamadas de bots criados em outros serviços são possíveis por meio da API. Configurar um script do zero leva várias horas. Uma réplica sintetizada custa 12 copeques, a narração de um modelo para um projeto custa 3.000 rublos por hora de trabalho do locutor.
O conjunto de vozes prontas se expandirá.Há também a opção de usar a síntese híbrida Just AI com a criação de um modelo para um locutor selecionado individualmente ou que seja a voz oficial da empresa.
síntese híbrida
A tecnologia de síntese híbrida permite personalizar IVR e chamadas robóticas para fins de pesquisas de NPS, questionários, lembretes, aumento de vendas e suporte para programas de fidelidade.
Consulte Mais informação:
Um buraco negro na galáxia provou que Einstein estava certo. A coisa principal
O espaço destrói os ossos e muda sua estrutura: os cientistas não sabem como as pessoas voarão para Marte
Astrônomos encontraram planetas diferentes da Terra, mas adequados para a vida