Облачная платформа Yandex Cloud представила новый сервис для синтеза речи Brand Voice Call Center.
Brand Voice Call Center разработан специально для автоматизации колл-центров и других задач бизнеса, предполагающих повсеместное использование телефонных звонков (телемаркетинг, приём звонков первой линии, опросы). В основу решения положены технологии машинного обучения и системы искусственного интеллекта на базе нейронных сетей, позволяющие сервису генерировать аудио с уникальным голосом по одной фразе.
Алгоритм обрабатывает аудиошаблон и на его основе синтезирует сотни таких же фраз, но при этом по скрипту может менять в них отдельные слова. Синтезированная речь в Brand Voice Call Center звучит естественно и передаёт все детали речи живого человека из шаблона: эмоции, интонации, изменения громкости. В качестве шаблонов компании могут использовать фрагменты телефонных записей реальных операторов своих колл-центров. Утверждается, что это первый подобный сервис на русском языке, выпущенный для коммерческого использования.
Для обучения Brand Voice Call Center специалисты Yandex Cloud использовали датасет с тысячами часов записей различных дикторов на русском языке из открытого доступа. Подобный опыт позволяет работать практически с любым голосом без предварительной подготовки. Чтобы речь звучала более естественно, для обучения моделей в сервисе использовали трансформерную архитектуру. В отличие от других нейронных сетей, трансформеры позволяют обучать ML-модели параллельно на современных видеокартах (GPU) и концентрироваться на важных частях текста, что повышает качество синтеза.
Источник:
