Почему ИИ-озвучка теперь звучит по-человечески (и где ещё спотыкается)
Если ты до сих пор помнишь синтез речи монотонным роботом, который вечно коверкает слова, эти времена прошли. Синтезированная озвучка стала по-настоящему хорошей и очень быстро: теперь её спокойно слушаешь часами. Разобраться, что именно изменилось, стоит по двум причинам: это интересно само по себе и помогает понять, как выжать лучший результат и на что рассчитывать трезво.
Как это работало раньше
Десятилетиями синтез речи строился одним из двух механических способов.
Самый ранний подход собирал речь из правил о том, как образуются гласные и согласные. Результат: тот самый ни с чем не спутаемый гудящий, искусственный голос. Следующее поколение, конкатенативный синтез, шло другим путём: живого человека записывали, произносящего тысячи коротких звуковых фрагментов, а потом сшивали их на лету. На уровне отдельного слова звучало человечнее, но стыки между фрагментами были слышны, и живого предложения не складывалось. Выговорить слова такая система умела. Прочитать их с чувством не могла.
Обоим подходам не хватало просодии, то есть мелодики речи: подъёма интонации в конце вопроса, ударения на важном слове, короткой паузы перед поворотом мысли. Именно просодия во многом делает голос живым, а в системах на правилах и фрагментах её практически не было.
Что изменилось: нейросети и мелодика речи
Современная озвучка генерируется нейросетями, обученными на больших объёмах настоящей человеческой речи. Вместо склейки фрагментов модель учит закономерности естественной подачи и синтезирует звук целиком. Просодию она осваивает на примерах, а не по правилам, поэтому правильный вопросительный подъём и ударение на нужном слове получаются куда чаще.
Качество тянут вверх ещё два фактора. Чем крупнее модель и разнообразнее обучающая речь, тем больше тонкостей она улавливает. И если звук готовится заранее, а не в реальном времени, система может продумать сразу целое предложение и абзац: она знает, что будет дальше, и заранее выстраивает темп и ударения. Поэтому готовое студийное звучание из облака выходит осмысленным и плавным, а голос на устройстве, работающий в реальном времени, произносит каждое слово верно, но связать их в живую фразу не успевает.
Где синтезированная речь ещё спотыкается
Задача ещё не решена полностью, и честнее это признать прямо. Несколько вещей до сих пор ставят в тупик даже хорошие системы:
- Необычные имена и придуманные слова. Фэнтезийные имена, редкие фамилии, заимствования из других языков: всё это приходится угадывать, и угадывается порой неверно.
- Омографы. Слова, которые пишутся одинаково, а произносятся по-разному. В английском: «He will lead the way» и «a lead pipe», «a bass guitar» и «a bass in the lake». Чтобы выбрать нужный вариант, модели нужно понять смысл контекста, и иногда она промахивается.
- Ирония и подтекст. Реплику, задуманную как насмешка, система читает всерьёз: сами слова тона не несут. Живой рассказчик добавляет его, потому что понимает контекст.
- Смысл, который тянется издалека. Если вес слова зависит от того, что было сказано тремя абзацами раньше, системе это даётся трудно.
Это нынешние границы возможного. Они постепенно сужаются, но пока реальны. Именно поэтому выдающийся живой рассказчик всё ещё выигрывает в художественности там, где книга живёт интерпретацией.
Как добиться самого естественного чтения
Зная всё это, несколько практических вещей помогут ощутимо улучшить результат:
- Выбирай движок побогаче для книг, которые того заслуживают. Голоса устройства бесплатны и играют сразу, но немного плоские. Студийное звучание из облака считается на куда более крупных моделях и выходит заметно человечнее. В BookNPC это студийные голоса, а о разнице между ними подробнее написано в статье «Голос на устройстве или облачная озвучка».
- На iOS установи премиальные системные голоса. Даже бесплатное чтение на устройстве заметно выигрывает с ними. Как это сделать, написано в коротком гиде.
- Начинай с чистой копии книги. Синтезированное чтение звучит ровно настолько хорошо, насколько хорош поданный ему текст. Аккуратный EPUB с правильной структурой читается гладко. Неряшливая выгрузка заставит запнуться любой голос.
Честный вывод
ИИ-озвучка прошла путь от «сойдёт, лишь бы было доступно» до «слушать в удовольствие». Для большинства книг в большинстве случаев она теперь звучит естественно. Лучшим живым чтецам она пока не ровня там, где вся книга держится на исполнении, и всё ещё спотыкается на редком имени или каламбуре. И то, и другое верно.
Но вот что здесь по-настоящему важно: естественное чтение теперь доступно для любой твоей книги, а не только для тех немногих, которые кто-то записал и выпустил. Студийные голоса в BookNPC считаются в облаке, а голоса устройства бесплатны, так что услышать, на что сегодня способна технология, можно на любой книге по своему выбору.