Словарь
TTS (синтез речи)
TTS — синтез речи из текста: как нейросети научились говорить голосом, неотличимым от диктора, где это применяют в машине и какие есть ограничения.
TTS (Text-to-Speech) — синтез речи: превращение текста в звучащий голос. Старый TTS (робот из навигатора 2010-х) склеивал заранее записанные кусочки и звучал механически. Современный нейросетевой TTS генерирует речь целиком и дошёл до уровня, когда синтез трудно отличить от живого диктора.
Как изменился TTS
Нейросеть обучается на часах записанной речи и выучивает не только произношение, но и интонацию, паузы, придыхание. На вход — текст, на выходе — естественная речь заданным голосом. Отсюда два применения: озвучка (аудиокниги, ролики, голосовые ассистенты в машине) и клонирование конкретного голоса.
Где проходит граница
Технически синтез уже отличный, но остаются провалы: длинные эмоциональные монологи, редкие имена и термины, точная передача сарказма. И главный вопрос не технический, а правовой — клонирование чужого голоса без согласия. Синтез, в отличие от шумоподавления, создаёт сигнал, которого не было, поэтому за ним тянутся вопросы прав и этики.