ქართული TTS: გასაგები და ბუნებრივი ხმოვანი პასუხი

გასაგები პასუხი ტემბრზე მეტია

ხმოვანი პასუხის მიზანია, მომხმარებელმა გაიგოს რა მოხდა და რა უნდა გააკეთოს შემდეგ. სასიამოვნო ხმა ვერ გამოასწორებს არასწორ თარიღს, გაურკვეველ თანხას ან სისტემაში შეუმოწმებელ შედეგს. ამიტომ ხმის შეფასებამდე გადაამოწმეთ სათქმელი ტექსტი.

OMO-ს პროცესში გამოსაყენებელი ხმა უნდა შეფასდეს კონკრეტულ ქართულ ფრაზებზე და რეალურ სატელეფონო არხში. ბუნებრივი ტემბრი, გამართული გამოთქმა და ადამიანისგან განურჩევლობა სხვადასხვა საკითხია; ბოლო თვისებას გარანტირებულად არ ვაცხადებთ.

• ქართული ხმოვანი გამოცდილების შეფასება

ტექსტი ჯერ მეტყველებისთვის მოამზადეთ

ციფრები, აბრევიატურები და ტექნიკური ნიშნები ერთნაირად არ იკითხება. ტელეფონის ნომერი ციფრების მიმდევრობაა, თანხა — რაოდენობა, ხოლო საათს ქართული ფორმა სჭირდება. ნორმალიზაცია ტიპს უნდა დაეყრდნოს, რომ ერთი მონაცემის წესმა მეორე არ დააზიანოს.

პროცესში შენახული ზუსტი მნიშვნელობა უცვლელი რჩება; ცალკე მზადდება მომხმარებლისთვის სათქმელი ფორმა. სახელის წარმოთქმის შეცვლისას არ უნდა შეიცვალოს კლიენტის ჩანაწერი. საბოლოო პასუხში ტექნიკური ინსტრუქცია, JSON ან ინსტრუმენტის დასახელება არ უნდა გაჟღერდეს.

გამოთქმის კონტროლი მომწოდებელთან გადაამოწმეთ

ზოგიერთ სინთეზის სერვისს აქვს SSML, გამოთქმის ლექსიკონი ან ფონემის მითითება. მხარდაჭერა შეიძლება ენასა და ხმაზე განსხვავდებოდეს. ერთი მომწოდებლის დოკუმენტაცია არ ამტკიცებს, რომ იგივე ფუნქცია ყველა ქართულ ხმაში მუშაობს.

კონკრეტული სახელის, ბრენდისა და თანხის ფორმა მოსმენით შეამოწმეთ. თუ გამოთქმის სპეციალური კონტროლი არ არის, შეიძლება დაგეხმაროთ ტექსტის ნორმალიზაცია ან წინადადების გამარტივება, მაგრამ ფონეტიკური ჩასწორება ზუსტი ბიზნესმონაცემის შემცვლელი არ არის.

• სატესტო ნაკრებში შეიტანეთ ქართული ბრუნვები, უცხოენოვანი ბრენდები და შემოკლებები.
• ერთი წინადადებით გადაეცით ერთი მთავარი აზრი; მნიშვნელოვან მონაცემთან ბუნებრივი პაუზა გამოიყენეთ.
• ტემპის ცვლილება გასაგებად მოსმენით შეამოწმეთ და არა მხოლოდ პარამეტრის არსებობით.

შეწყვეტა ხმის მოდელისგან დამოუკიდებელ კონტროლსაც მოითხოვს

მომხმარებლის მნიშვნელოვანი შესწორებისას ძველი პასუხის დაკვრა უნდა შეჩერდეს და ახალი კონტექსტი დამუშავდეს. ეს მოითხოვს აუდიომოთამაშის, ბუფერის, საუბრის რიგისა და დიალოგის მდგომარეობის შეთანხმებულ მუშაობას. მხოლოდ TTS-სერვისის არჩევა მთელ ქცევას ვერ უზრუნველყოფს.

ფონური ტელევიზორი და აბონენტის მიზანმიმართული ჩარევა ერთნაირად არ უნდა დამუშავდეს. ტესტში შეამოწმეთ დაკარგული პირველი მარცვალი, ექო, ცრუ შეწყვეტა და ძველი აუდიოს დაგვიანებული დაბრუნება. კონკრეტული დანერგვის შედეგი ფასდება ბოლომდე გავლილი სატელეფონო ტესტით.

• ორმხრივი საუბრისა და შეწყვეტის ტესტები

სიჩქარე და თანმიმდევრული ხარისხი ერთად გაზომეთ

პირველი აუდიოფრაგმენტის მიღება, მისი დაკვრის დაწყება და სრული პასუხის დასრულება სხვადასხვა დროა. ნაკადური სინთეზი შეიძლება დაკვრას მთლიანი პასუხის მზადყოფნამდე იწყებდეს, მაგრამ ქსელი და ბუფერი მომხმარებლის მიერ განცდილ დაყოვნებას მაინც ემატება.

ერთი და იგივე ხმა შეაფასეთ მოკლე პასუხზე, რიცხვებით დატვირთულ შეჯამებაზე და გრძელ განმარტებაზე. გაზომეთ მომხმარებლის საუბრის დასრულებიდან გასაგები პასუხის დაწყებამდე დრო; მხოლოდ TTS მომწოდებლის სწრაფი პასუხი მთლიანი დიალოგის სისწრაფეს არ ამტკიცებს.

• პასუხის დაყოვნების სრული ჯაჭვი

რომელ ფენაში უნდა ვეძებოთ ხარვეზი?

ჯერ აუდიო, ტრანსკრიპტი, ნორმალიზებული ველი და საბოლოო სათქმელი შეადარეთ. თუ ტექსტში არასწორი დროა, მხოლოდ ხმის ტემბრის შეცვლა ვერ უშველის.

• STT-ის პასუხისმგებლობა

მოსმენითი შეფასება და გამოყენების უფლებები

მსმენელებს მიეცით ერთნაირი ტექსტები: სახელები, საათები, თანხები და შემდეგი ნაბიჯის განმარტება. შეამოწმეთ, სწორად იმეორებენ თუ არა კრიტიკულ მონაცემს, რამდენად გასაგებია ტემპი და სად სჭირდებათ ხელახლა მოსმენა. წინასწარ აღწერეთ მოწყობილობა, არხი და შეფასების მეთოდი.

ამ გვერდზე რეალური აუდიონიმუშები არ არის გამოქვეყნებული: მათი გამოყენებისთვის საჭიროა შესაბამისი უფლებები, თანხმობა და ტექსტური ალტერნატივა. TTS-ის პროცესში გამოყენება არ ნიშნავს დამოუკიდებელ სინთეზის API-ს, ხმის ბიბლიოთეკას ან კლონირების მომსახურებას. ასეთი შეთავაზება ცალკე უნდა დადასტურდეს.