Технология преобразования письменного текста в естественно звучащую устную речь.
TTS (Text-to-Speech, синтез речи) — это технология, преобразующая письменный текст в устную, звучащую речь. Ранние системы TTS звучали механически и монотонно, но современные модели на основе нейросетей научились воспроизводить естественные интонации, паузы и эмоциональные оттенки, приближая синтезированную речь к звучанию, почти неотличимому от настоящего человеческого голоса.
Одна из наиболее заметных возможностей современных TTS-систем — клонирование голоса: на основе относительно небольшого образца записи речи конкретного человека модель способна синтезировать новый текст, произнесённый «его голосом» с характерным тембром и манерой речи, что открывает как полезные применения (аудиокниги голосом любимого автора), так и риски злоупотребления (дипфейк-аудио).
TTS широко применяется для повышения доступности контента (озвучка текста для незрячих пользователей), автоматической генерации аудиокниг и озвучки видеороликов без привлечения профессионального диктора.
Современные лучшие модели синтеза речи зачастую практически неотличимы от человеческого голоса на слух, особенно в коротких фрагментах.
Технология, при которой модель, обученная на образце речи конкретного человека, способна синтезировать новый текст этим же голосом — с сохранением тембра и характерных интонаций.
Да, клонирование голоса — одна из технологических основ аудиодипфейков, что требует ответственного подхода к использованию и разработке защитных механизмов детекции.