Dirbtinio intelekto, biometrinių technologijų ir natūralios kalbos apdorojimo sprendimų vystytoja „Neurotechnology“ išleido balso sintezės modelį, kuris tekstą paverčia garso įrašu lietuvių kalba.
Dirbtinio intelekto (DI), biometrinių technologijų ir natūralios kalbos apdorojimo sprendimų vystytoja „Neurotechnology“ išleido balso sintezės modelį, kuris tekstą paverčia garso įrašu lietuvių kalba.
Asociatyvi „Pixabay“ nuotr.
Naujasis sprendimas leidžia bet kokį įvestą tekstą paversti realistišku garso įrašu – su natūraliomis intonacijomis, pauzėmis ir sklandžiu žodžių jungimu. Priešingai nei daugelis rinkoje esančių įrankių, kurie tiesiog atkuria iš anksto įrašytus balsus, ši technologija geba atpažinti ir taisyklingai tarti įvairias žodžių formas realiuoju laiku, prisitaikydama prie sudėtingos lietuvių kalbos fonetikos. Tai – reikšmingas žingsnis į priekį, suteikiantis plačiai pritaikomą kalbinę naujovę Lietuvos rinkai.
Technologiją jau dabar galima išbandyti viešai: www.netgeist.ai/lt/tts.
Demonstruojamoje versijoje yra 4 moteriški ir 3 vyriški balsai. Naudotojai gali pasirinkti bet kurį balsą, įterpti tekstą ir vos per kelias sekundes išgirsti skaitmenizuotą skaitymą lietuviškai.
Reaguoja į kalbos iššūkius
Pasak kalbos technologijų specialistų, balso sintezė tampa ypač svarbi kontekste, kur didžioji dalis turinio yra anglų kalba. Tai didina riziką, kad mažiau vartojamos kalbos skaitmeninėje erdvėje taps antraeilėmis.
„Lietuvių kalba pasižymi sudėtinga fonetine ir morfologine sandara – kintančiais kirčiais, gausiais garsiniais junginiais bei išplėtota linksnių ir laikų sistema. Mūsų tikslas buvo sukurti modelį, kuris ne tik atkurtų balsą, bet ir tiksliai perteiktų prozodiją: kada turi būti daroma pauzė, kur krinta kirtis ir kaip tai lemia sakinio intonaciją“, – sako Rokas Šidlauskas, „Neurotechnology“ natūralios kalbos apdorojimo inžinierius.
Anot jo, dauguma pasaulinių sintezės sistemų lietuvių kalbą apdoroja kaip „egzotinę“ – t. y., su menku mokymo duomenų kiekiu. „Tai reiškia, kad vartotojas gali girdėti netaisyklingus kirčius, per ilgas pauzes ar net sulietus žodžius. Mūsų modelis mokytas specialiai lietuviškai, todėl geba taisyklingai interpretuoti net ir sudėtingas sakinio konstrukcijas bei gali būti pritaikytas skirtingoms kalbinėms situacijoms – nuo žinių skaitymo tono iki rišlaus pokalbio“, – priduria R. Šidlauskas.
Pritaikymas: nuo kasdienybės iki prieinamumo
Technologija sukurta taip, kad būtų prieinama plačiam naudotojų ratui: jai nereikalinga speciali įranga, ji veikia tiek debesijoje, tiek lokaliose sistemose. Todėl šį sprendimą gali lengvai integruoti tiek startuoliai ar verslai, tiek bibliotekos, mokyklos ar viešosios įstaigos.
Viena svarbiausių galimų technologijos taikymo krypčių – socialinis prieinamumas. Pavyzdžiui, regos negalią turintiems asmenims balso sintezė leidžia klausytis informacijos, el. knygų, naujienų ar atlikti užklausas balsu. Taip pat tai gali padėti žmonėms, turintiems mokymosi ar rašytinės kalbos suvokimo sunkumų.
Kartu – tai sprendimas automatizuotai komunikacijai verslo aplinkoje. Skambučių centrai, savitarnos sistemos, tekstų įgarsinimas žiniasklaidoje ar e. paslaugose – tai tik keletas sričių, kuriose šis modelis gali veikti visą parą, nepriklausomai nuo darbuotojų skaičiaus.
