Vilka är sätten att uttrycka en bot
Det finns två huvudsakliga sätt att rösta en bot: med talsyntes eller
En av de mest kända talsyntesmetoderna är jämnbland icke-programmerare - TTS. Datorn läser och talar helt enkelt texten. Ett slående exempel är syntesen av Taltjänster från Google, som kan höras i Google Translate-översättaren. Det ryska talet för tjänsten är mycket lätt att skilja från naturligt tal, vilket är huvudproblemet med en sådan syntes. För att lägga den nödvändiga vikten, använd SSML - talsyntesmarkering. Men även med det är det svårt att få ett ljud som en professionell utropare. Därför började vi utveckla ett högkvalitativt alternativ.
Varför behöver du talsyntes med variabler
Företag använder aktivt röstens kapacitetbots och strävar efter att göra deras tal trevligare och personligare gentemot kunder. Personalisering ökar engagemang och lojalitet: 70 % av företagen som använder avancerad personalisering fick 200 % avkastning på investeringen eller mer på sina ansträngningar.
För att göra botens röst realistisk, företagspela in rösten från en talare, skådespelare eller kontaktcenteroperatör. Nackdelen är att alla repliker är statiska. Detta är till exempel lämpligt för instruktioner om att avbryta en beställning eller informera om aktuella kampanjer. Men affärskommunikation innehåller mycket föränderliga data—variabler.
För att göra en bots röst realistisk spelar företag in rösten från en berättare, skådespelare eller kontaktcenteroperatör. Nackdelen är att alla repliker är statiska.
Till exempel, för att bekräfta ett möte på en klinik:Patientens namn, läkarens namn, datum och tid för besök. I leveransfallet: kundens fullständiga namn, ordernummer och dess innehåll, mängd och leveranstid. Varje post måste innehålla individuella parametrar för kunden eller dennes begäran. Och sedan används fillimning, ljudmixar eller helt enkelt robotröst.
Kärnan i limning är att det skapar"applikationer" från många inspelningar av utroparen. Vid leverans behöver du skriva ner cirka 1,5 tusen ofta förekommande gator, stadsnamn, hus- och lägenhetsnummer. Detta är en mycket arbetskrävande uppgift som kräver betydande ansträngning och tid från utroparen. Efter inspelningen måste ljudfilerna slås samman i rätt ordning. En professionell ljudtekniker kan göra mjuka övergångar mellan klipp och platspauser, men korsningarna kommer fortfarande att vara hörbara och stora mängder källdata gör sådant arbete överväldigande. Vi provade det här alternativet, men insåg att det inte var lämpligt för att lösa komplexa problem.
Vi vet att vissa företag försöker hitta en högtalare med en röst som liknar den vanliga SpeechKit-röstfunktionen från Yandex eller Google Speech. Men i det här fallet är skären också hörbara.
Vi försökte integrera det i voice-over-inspelningarTTS. Det vill säga, vi spelade inte in alla namn på gator och städer i förväg, utan genererade den önskade frasen med hjälp av TTS baserat på utroparens röst och infogade den i den förinspelade utroparens replik. Resultatet blev en blandning av känslomässigt, levande tal från en person och en robot.
Vad vi än provar från olika instrument,Vi fick inget bra resultat. Som ett resultat kom vi att utveckla vår egen algoritm, som vi kallade hybridsyntes. Den här tekniken gör att du snabbt kan ändra fraser i voiceover-inspelningar för en röstbot; du behöver bara skicka ersättningen till algoritmen. Samtidigt kopierar syntetiserat tal talarens intonation och känslor, låter naturligt och sticker inte ut från sammanhanget. På det här sättet kan du rösta alla variabler som inte fanns i den ursprungliga voice-over-inspelningen, samt testa nya scenarier.
TTS
Hur fungerar hybridsyntes?
Det första steget är att arbeta med utropare.För att täcka mångfalden av det ryska språket var det nödvändigt att spela in 10 timmars tal i en professionell studio. Dessa är fraser från böcker, nyheter och ofta förekommande data: siffror, namn, adresser och städer. Detta ger tillräckligt med träningsdata, varefter du kan börja skapa hybridsyntesmodeller för varje högtalare.
För varje robocall-projekt skriver utroparen ner frasmallar, till exempel: "Hej,Sergej Petrovitj! Imorgon levererar vi din beställning till din adressTverskaya gatan, 3Med14 till 18timmar.Kommer det att vara bekvämt för dig att acceptera det?” Hybridsyntesmodellen kan bearbeta uppgifter som när det är nödvändigt att ersätta Sergei Petrovich med Anna Vasilyevna, och adressen och tiden - till Bolshaya Zelenina Street, 24 från 10:00 till 14:00. Resultatet är en ny kopia med syntetiserade variabler: "Hej,Anna Vasilievna! Imorgon levererar vi din beställning till din adressBolshaya Zelenina gata, 24Med10 till 14timmar. Kommer det att vara bekvämt för dig att acceptera det?” För varje samtal till kundbasen skapas och utförs en separat uppgift.
Dubbning
Hög ljudkvalitet uppnås tack vare att det neurala nätverket använder högtalarens intonationer och känslor från exemplet.
Hur man ställer in hybridsyntes
Vi erbjuder flera färdiga modellerhybridsyntes med kvinnliga och manliga röster. Mallanrop fungerar på JAICP- och JAICF-plattformarna; anrop från bots skapade i andra tjänster är möjliga via API:et. Att sätta upp ett manus från början tar flera timmar. En syntetiserad kopia kostar 12 kopek, röst över en mall för ett projekt kostar 3 000 rubel per timme av utroparens arbete.
Uppsättningen av färdiga röster kommer att utökas.Det finns också ett alternativ att använda Just AI-hybridsyntes med skapandet av en modell för en individuellt utvald talare eller vem som är företagets officiella röst.
hybridsyntes
Hybridsyntesteknik låter dig anpassa IVR- och robotsamtal för NPS-undersökningar, frågeformulär, påminnelser, merförsäljning och support för lojalitetsprogram.
Läs mer:
Ett svart hål i galaxen visade att Einstein hade rätt. Huvudsaken
Rymden förstör ben och ändrar deras struktur: forskare vet inte hur människor kommer att flyga till Mars
Astronomer har hittat planeter som skiljer sig från jorden, men som är lämpliga för liv