Co to jest TTS w asystencie głosowym

Czytanie odpowiedzi, zanim model skończy pisać

W telefonie liczy się czas, więc TTS działa strumieniowo: zaczyna czytać pierwsze słowa odpowiedzi, zanim model językowy skończy pisać całe zdanie. Dzięki temu cisza po pytaniu jest krótsza, a każdą sekundę opóźnienia odpowiedzi w słuchawce słychać. Głos w rozmowie powstaje na bieżąco, zdanie po zdaniu. Dlatego TTS przeczyta coś, czego żaden lektor nigdy nie nagrał, na przykład konkretną godzinę wolnego terminu albo nazwisko klienta wczytane z bazy, tym samym głosem co resztę rozmowy.

Gdzie polszczyzna sprawia TTS najwięcej kłopotu

Zdanie „Pasuje?” musi zabrzmieć jak pytanie, choć nie zaczyna się od „czy”, więc melodia głosu robi tu całą robotę.

Jeśli syntezator nie podniesie głosu na końcu, klient nie wie, że ma odpowiedzieć, i w słuchawce zapada niezręczna cisza. To jedna z pułapek syntezy mowy po polsku.

Osobny kłopot to liczby, daty i skróty. „8:15” trzeba przeczytać jako „ósma piętnaście”, nie „osiem, dwukropek, piętnaście”, a „NFZ” jako „en-ef-zet”, litera po literze. Zamianą takiego zapisu na słowa, które da się wymówić, zajmuje się normalizacja tekstu, osobny mechanizm działający tuż przed syntezą.

Głos jako szyld firmy

Dostawcy oferują zwykle biblioteki gotowych głosów, różniących się barwą, wiekiem i tempem mówienia. Głos powinien zgadzać się z charakterem firmy: dostojny, wolny głos pasuje do kancelarii notarialnej, a szybszy i swobodniejszy do firmy kurierskiej, gdzie klienci chcą usłyszeć konkret.

Przy doborze głosu odsłuchaj kandydatów przez słuchawkę telefonu, nie z głośników komputera: w wąskim paśmie brzmią inaczej.