Синтез речи
Синтез речи (text-to-speech — tts) — это процесс генерирования речи по печатному тексту. SpeechKit позволяет озвучить любой текст на нескольких языках. При этом можно выбрать голос (мужской или женский) и интонацию.
Языки
- русский
- английский
- турецкий
Качество синтеза
Под качеством синтезированной речи понимается сходство с человеческим голосом и способность передать эмоции с помощью интонаций.
Особенность технологии синтеза в Яндексе — мы не склеиваем фрагменты реальной речи, а обучаем акустическую модель на речи диктора. Для этого используется статистический подход на базе рекуррентных нейронных сетей. Тембр голоса, созданного таким образом, несколько искусственный, но речь получается плавной, а интонации естественными.
Статистический подход также позволяет менять параметры уже существующих голосов. Благодаря этому можно выбирать интонацию, с которой произносится текст.