TTS

TTS (Text-to-Speech), czyli syntezator mowy, to technologia zamieniająca tekst na mowę. Pozwala automatycznym systemom - IVR, voicebotom - odczytywać klientowi treści na głos w czasie rzeczywistym, bez wcześniej nagranych komunikatów.

Największą wartość TTS pokazuje przy treściach dynamicznych, które zmieniają się dla każdego klienta. Saldo konta, status przesyłki, termin wizyty - nie da się ich nagrać z góry, bo są inne dla każdego. TTS generuje je na bieżąco, z danych podanych przez system.

TTS a nagrania lektora - kiedy co?

Do stałych, powtarzalnych komunikatów - powitania, menu, godzin otwarcia - nagranie lektora zwykle brzmi lepiej i wystarcza raz na zawsze. TTS wchodzi tam, gdzie treść jest zmienna i indywidualna, a nagrać wszystkich wariantów po prostu się nie da. W praktyce oba podejścia często działają razem: lektor mówi to, co stałe, TTS dopowiada to, co osobiste.

Przykład praktyczny

Od czego zależy jakość TTS?

Przede wszystkim od silnika syntezy. Starsze rozwiązania brzmiały mechanicznie i sylabizująco, nowsze - oparte na modelach uczenia maszynowego - oddają naturalną intonację, akcent i rytm mowy, tak że klient nie zawsze pozna, że słyszy maszynę. Dla języka polskiego liczy się też dobre radzenie sobie z odmianą oraz wymową liczb i dat.

TTS rzadko działa w oderwaniu od reszty. W głosowym IVR czy voicebocie współpracuje z rozpoznawaniem mowy - jedno zamienia mowę klienta na tekst, drugie tekst systemu na mowę. Razem tworzą rozmowę, w której klient mówi naturalnie i naturalnie dostaje odpowiedź.