Дауыстың цифрлық ізі дегеніміз не — және неліктен бір дауыс кез келген мәтінді оқи алады

AI дауысын естігенде, бір жерде сол адамның «жазбасы» сақталып, одан сөздер қиып алынатын сияқты көрінеді. Шын мәнінде бәрі мүлде басқаша — әрі әлдеқайда талғампаз құрылған. Дауыс цифрлық із ретінде сақталады: оның тембрінің ықшам бедері. Бұл не екенін, не үшін керек екенін және ол дауысқа диктор ешқашан айтпаған мәтінді оқуға қалай мүмкіндік беретінін қарастырайық.

Дауыс — «фразалар жазбасы» емес

Ескі сөйлеу синтезі жүйелері сөзді алдын ала жазылған бөліктерден желімдейтін — сондықтан механикалық естілетін. Заманауи синтез басқаша жұмыс істейді. Қозғалтқыш дикторды бір рет «тыңдап», ең бастысын — тембрдің мінезін: биіктігін, бояуын, мәнерін бөліп алады. Мұның бәрін ол шағын математикалық бедерге сығады.

Цифрлық із дегеніміз не

Із (инженерлер оны дауыс векторы деп атайды) — сіздің дауысыңыздың кез келген басқасынан немен ерекшеленетінін сипаттайтын бірнеше килобайт сан. Сөздер де, фразалар да емес — таза танымалдық. Ұқсастық: саусақ ізі бүкіл қолды сақтамайды, бірақ адамды бірмәнді анықтайды. Мұнда да солай: бедер сөйлеуді сақтамайды, бірақ дауыстың қалай естілетінін бірмәнді анықтайды.

Каталогтағы дауыс — жазбалар мұрағаты емес, шағын сурет көлеміндей тембр ізі. Сондықтан бір дауыс кез келген мәтінді оқи алады: қозғалтқыш бедерді алып, онымен жаңа сөздерді «айтады».

Бұл не үшін керек: бір қозғалтқыш — жүздеген дауыс

Дауыс ықшам із болғандықтан, мұндай іздердің бүкіл банкін ұстап, әрқайсысын бір қозғалтқышқа қосуға болады. Әр дауысқа бөлек «модель» жоқ — бір ортақ қозғалтқыш және бедерлер банкі бар. Мұның практикалық салдары бар:

• Көп дауыс — бір қозғалтқыш — каталог инфрақұрылымды ұлғайтпай өседі.
• Жаңа дауыс тез қосылады — оның ізін құру жеткілікті; дауыс қалай туатынын қараңыз.
• Сіздің дауысыңыз жеке болып қалады — өз дауысыңыздың ізі тек сіздің аккаунтыңызда өмір сүреді.

Ал интонация мен эмоциялар ше?

Із тембрді анықтайды — кім сөйлейді. Қалай сөйлейтінін (қарқын, үзілістер, екпін, эмоциялар) қозғалтқыш мәтін мен сіздің баптауларыңыздан бірден құрады. Сондықтан бір дауыс аудиокітапта сабырлы, ал жарнамада сергек естілуі мүмкін — тембр бір, орындау басқа.

Этика және келісім

Із дауысты бірмәнді анықтайтындықтан, ол дербес деректер болып саналады — GDPR оны дәл солай қарастырады. Ізді тек өз дауысыңыздан немесе дауыс иесі болып табылатын адамның айқын келісімімен ғана құруға болады. Бөтен дауысты келісімсіз пайдалануға тыйым салынған: мұны GDPR талап етеді және HancVoice ережелерінде солай жазылған.

Қорытынды

Цифрлық із — заманауи сөйлеу синтезінің жанды естіліп, масштабталуының себебі: дауыс жазбалар тауы ретінде емес, танымалдықтың ықшам бедері ретінде сақталады. Бір қозғалтқыш, іздер банкі — және кез келген мәтін жүздеген дауыстың кез келгенімен. Каталогты қарап, өзіңіз тыңдаңыз.

Өзіңіз байқап көріңіз — тегін бастапқы таңба жинағы тіркелгенде.