Синтез речи

Синтез речи, Text-To-Speech (TTS) — это синтетическая озвучка заданного текста.

Примеры использования

• Телефонные роботы.
• Голосовой ассистент.
• Озвучка контента.

Ключевые особенности

• Потоковый синтез в реальном времени.
• SSML.
• Выбор стиля прочтения или эмоции.
• Управление ударениями.
• Автоматическая расстановка ударений.
• Автоматическая нормализация текста.

Примеры синтеза речи

• Дима:

• Анна:

Расстановка ударений

• Омографы:

• Буква «е» озвучивается как «ё», где это необходимо:

• Чтобы вручную проставить ударение, достаточно добавить 0 после ударной гласной — например, йо0гурт или йогу0рт:

Паузы

Любая пунктуация в тексте заменяется на паузу длительностью ~100–150 мс, поэтому для добавления паузы достаточно добавить запятую в нужное место.

• С паузами:

• Без пауз:

Не стоит использовать несколько знаков препинания подряд для управления длительностью пауз.

Для указания длительности пауз вручную можно использовать SSML-тег break time="50ms" с подходящей вам длительностью. Подробнее.

Вопросительная интонация

Спикер произносит текст с вопросительной интонацией, если в конце предложения стоит знак вопроса:

• Со знаком вопроса:

• Без знака вопроса:

Нормализация

В тексте для синтеза можно использовать цифры, номера телефонов, суммы денег, даты, время, адреса, слова на латинице и так далее — они будут озвучены корректно.

• Отчет:

• Адрес:

• Транслитерация:

Сравнение со студийной записью

• Студийная запись (произнесено реальным человеком)

• Синтезированное аудио

Качество синтеза

Для оценки качества синтезированной речи используется метрика MOS — Mean Opinion Score. Она показывает, насколько синтезированный голос похож на человеческий по мнению людей.

MOS нашего решения получил 4.3 балла из 5.

Контакты

Если у вас появились вопросы и вы являетесь нашим пользователем, авторизуйтесь на T‑Bank Software и обратитесь в поддержку.

Если вы еще не являетесь пользователем, рекомендуем зарегистрироваться.