Synteza mowy po polsku, czyli jak voicebot wymawia, akcentuje i zadaje pytania

Jak działa synteza mowy w rozmowie telefonicznej

Model językowy pisze odpowiedź, a syntezator zamienia ją na dźwięk. W rozmowie liczy się czas, więc synteza pracuje strumieniowo: pierwsze słowa lecą do słuchawki, zanim model skończy pisać zdanie. Dzięki temu cisza po pytaniu klienta, czyli opóźnienie odpowiedzi, jest krótsza.

Kosztem jest kontekst: syntezator, który dostaje tekst kawałkami, widzi mniej, a od tego zależy melodia zdania. W długich zdaniach bywa przez to słychać dziwne zawieszenia głosu.

To jeden z powodów, dla których agent powinien mówić krótko.

Starsze syntezatory brzmiały równo i mechanicznie. Nowsze, oparte na sieciach neuronowych, robią pauzy na oddech i potrafią zabrzmieć ciepło. Agenci w demo na tej stronie mówią głosami z ElevenLabs, więc możesz na żywo sprawdzić, jak to wypada po polsku. Posłuchaj zwłaszcza, jak czytają godziny i nazwy własne.

Akcent i melodia pytań, czyli gdzie ucho łapie maszynę

W polszczyźnie akcent pada zwykle na przedostatnią sylabę i słuchacz ma tę regułę we krwi. Każde odstępstwo słychać od razu. Dobre syntezatory trzymają się jej w zwykłych słowach, gorzej jest z nazwami własnymi, skrótowcami i rzadkimi słowami z cennika.

Większy kłopot to pytania. Po polsku pytanie często różni się od zdania oznajmującego wyłącznie melodią: „Pasuje jutro o dziewiątej?” i „Pasuje jutro o dziewiątej.” to te same słowa. Jeśli syntezator nie podniesie głosu na końcu, klient nie wie, że ma odpowiedzieć, i zapada niezręczna cisza. Najprostsza rada to zaczynać pytania od „czy” albo od słowa pytającego („Który termin wybrać?”). Wtedy melodia przestaje być jedynym sygnałem.

Akcent, tempo, pauzy i wysokość głosu składają się na prozodię. Przy wyborze silnika słuchaj właśnie pytań i zdań z liczbami. Gładkie zdania z próbki reklamowej niczego nie dowodzą.

Odmiana i skróty, których syntezator sam nie odgadnie

Syntezator czyta to, co dostanie. Jeśli model językowy napisze pełne, odmienione zdanie, zwykle wszystko gra. Kłopot zaczyna się, gdy do stałego szablonu system wstawia dane z bazy: „Przypominamy o wizycie u dr Jan Nowak” zamiast „u doktora Jana Nowaka”. Program rezerwacji trzyma nazwisko w mianowniku, a zdanie wymaga dopełniacza.

Skróty to druga pułapka, bo ten sam skrót czyta się różnie, zależnie od zdania. „Dr” to „doktor”, „doktora” albo „doktorowi”, a „św.” to „święty”, „świętego” albo „świętej”. Skrótowce mają swoje zwyczaje: NFZ i USG czytamy literami („en-ef-zet”, „u-es-gie”), a ZUS i PIT jak zwykłe słowa. Podobnie z „ul.”, „al.” i „os.”: syntezator musi wiedzieć, że to ulica, aleja i osiedle. Zamianą zapisu na mowę zajmuje się normalizacja tekstu i to od niej zależy, czy agent brzmi jak ktoś stąd.

Obce nazwy i słowa, które Polak wymawia po swojemu

Ulica Chopina to w ustach Polaka „Szopena”, a aleja Curie-Skłodowskiej zaczyna się od „Kiri”. Syntezator, który przeczyta je literami, od razu zdradza, że nie jest stąd. Podobnie z pożyczkami: „leasing” wymawiamy „lizing”, a „catering” to „kejtering”.

Wiele silników daje dwa narzędzia do poprawek. Pierwsze to słownik wymowy: wpisujesz „Chopina” i obok zapis, jak to przeczytać. Drugie to znaczniki SSML, standardowy język opisu wymowy, pauz i tempa. Nie każdy silnik obsługuje wszystkie znaczniki, a część nowszych głosów niektóre ignoruje, więc sprawdź to przed podpisaniem umowy.

Najprostsza jest zamiana w samym tekście: w bazie wiedzy dopisujesz, że agent ma mówić „Szopena”. Brzydkie, ale działa. Pilnuj tylko, żeby taka wersja nie trafiła do SMS-a z potwierdzeniem adresu.

Emocje w głosie i ton, który pasuje do sytuacji

Nowsze syntezatory potrafią mówić cieplej, poważniej albo radośniej, zależnie od treści i ustawień. W firmie przydaje się to rzadziej, niż sugerują pokazy. Infolinia zakładu pogrzebowego nie może brzmieć jak prowadzący poranne pasmo w radiu, a wodociągi w czasie awarii nie powinny mówić rozbawionym tonem.

Większości firm wystarczy jeden spokojny, życzliwy ton i dobre tempo.

Za dużo ekspresji męczy przy dłuższej rozmowie i łatwo trafia w złą chwilę, na przykład radosne „Świetnie!” tuż po tym, jak klient powiedział, że zalało mu łazienkę. Ton ustala się zresztą razem z całym doborem głosu i charakteru agenta.

Kilkanaście zdań, na których sprawdzisz każdy głos

Zanim wybierzesz silnik i głos, przygotuj zdania z twojej codzienności i poproś, żeby agent przeczytał je na każdym rozważanym głosie. Słuchaj przez telefon, bo tak usłyszy je klient. W zestawie powinny się znaleźć:

• pytanie bez „czy”, na przykład „Pasuje jutro o dziewiątej?”
• adres z liczbą, literą i skrótem, na przykład „ul. Kościuszki 15A/3”
• nazwisko w różnych przypadkach: „u dr. Nowaka”, „dla pani Wiśniewskiej”
• kwota z groszami i data: „149,99 zł do 15.10”
• obca nazwa z twojej okolicy albo branży
• przeprosiny, żeby usłyszeć, czy głos umie zabrzmieć poważnie

Jeśli któreś zdanie brzmi źle, zapytaj, czy poprawi to słownik wymowy, SSML albo zmiana tekstu. Gdy nic z tego nie pomaga, sprawdź, czy syntezator zamiast lektora w ogóle jest dla ciebie dobrym wyborem.