Голосовые и языковые технологии

Какие задачи берут на себя голосовые и языковые технологии?

Голосовые и языковые технологии — общее название инструментов искусственного интеллекта (ИИ), которые превращают текст в голос, голос в текст, переводят с одного языка на другой, читают текст и извлекают из него смысл. Для компании это может означать добавить озвучку в рекламный ролик, не заходя в студию, превратить записи встреч в текст, по которому можно искать, или адаптировать каталог на несколько языков. Мы не пробуем эти инструменты по отдельности, а настраиваем их, привязывая к конкретной задаче в вашем общении.

• ИИ-озвучка (из текста в голос): превращает письменный текст в естественный человеческий голос.
• Распознавание речи (из голоса в текст): переводит записи, встречи и видео в текст.
• Машинный перевод: переносит текст и субтитры на другие языки.
• Обработка естественного языка: классифицирует текст, делает краткое изложение и извлекает из него сведения.
• Голосовой ассистент: объединяет эти части и дает интерфейс, с которым общаются голосом.

Каждый из этих инструментов полезен и сам по себе, но главная отдача появляется, когда их используют вместе. Например, обучающее видео сначала переводится в текст, текст исправляется и переносится на другие языки, а затем для каждого языка с помощью ИИ-озвучки готовятся новая звуковая дорожка и субтитры. Так одна запись становится пригодной для использования на нескольких языках, и в звуке, и в тексте.

С чего начать?

Самый надежный способ начать работать с языковыми технологиями — выбрать одну регулярно повторяющуюся задачу: например, ежемесячные видео о товарах, еженедельные встречи или постоянно обновляемый каталог. Мы вместе разбираем, как эта работа делается сегодня, сколько времени занимает и где буксует, и сначала пробуем новый процесс на ней. Если результат для вас имеет смысл, тот же подход переносится на другие материалы.

ИИ-озвучка: от текста к естественному голосу

ИИ-озвучка — это технология, которая зачитывает написанный вами текст выбранным голосом. Современные модели дают гораздо более естественный результат по ударениям, паузам и интонации, чем прежние роботизированные голоса. Это делает озвучку доступной там, где для каждого небольшого материала неудобно договариваться со студией и диктором.

Где это пригодится?

• Видео о товарах и ролики для соцсетей
• Обучающие видео, видео для адаптации сотрудников и инструкции по использованию
• Приветствия и сообщения для ожидания на коммутаторе
• Озвученные версии статей на сайте
• Объявления в магазине и зацикленные видео на выставочных экранах
• Версии одного и того же видео на разных языках

Когда лучше выбрать живой голос?

Для рекламных роликов с высокой эмоциональной насыщенностью, для голоса, который стал частью идентичности бренда, и для работ, требующих тонкой актерской игры, профессиональный диктор по-прежнему более верный выбор. ИИ-озвучка же дает преимущество в большом числе часто обновляемых материалов, насыщенных информацией. Можно пойти и смешанным путем: главный имиджевый ролик записать голосом диктора, а короткие информационные видео сделать искусственным голосом.

Как готовится текст для озвучки?

Текст, написанный для глаз, не всегда хорош для уха. Пояснения в скобках, длинные придаточные предложения и списки с маркерами, прочитанные вслух, трудно воспринимаются. Если перед ИИ-озвучкой разбить текст на короткие предложения, давать в каждом предложении одно сведение и один раз прочитать текст вслух для пробы, результат заметно улучшается.

Если озвучка готовится для видео, текст нужно писать с учетом длительности изображения и смены сцен. Простая таблица сценария, показывающая, какая фраза приходится на какую сцену, не дает звуку и изображению ждать друг друга. Если вы хотите создавать и визуальную часть с помощью ИИ, мы можем запланировать это вместе с нашей услугой ИИ-изображения и видео.

Удобство обновления

Если в видео, подготовленном с помощью ИИ-озвучки, меняется цена, дата или название товара, достаточно заново озвучить только нужную фразу. Поскольку используются тот же голос и те же настройки, новую фразу не отличить от прежних. В часто обновляемых обучающих и информационных материалах это куда практичнее, чем переписывать запись с нуля при каждом изменении.

На что обращают внимание при произношении в русском языке

В русских текстах на результат ИИ-озвучки больше всего влияют следующие детали:

• Числа и даты: нужно прямо указывать, как будут читаться выражения вроде «1/2», «15 000 руб.» или «3–5 дней».
• Сокращения: заранее решается, как читать сокращения вроде «НДС», «и т. д.» или «д-р»: по буквам или в расширенной форме.
• Иностранные названия брендов и товаров: произношение английского названия товара в русском предложении проверяется на пробе по каждому названию.
• Ударения: в таких словах, как «зáмок» и «замóк», верная расстановка ударения напрямую влияет на звучание.
• Пунктуация: место запятой и точки определяет, где голос сделает паузу; текст для озвучки пишется не для чтения глазами, а для слушания.

Часть этих настроек делается с помощью языка разметки SSML (Speech Synthesis Markup Language). С его помощью можно указать паузы, акценты и то, как читать выражение: как дату, число или набор букв. Примеры этих возможностей можно увидеть на страницах и в документации таких сервисов, как Google Cloud Text-to-Speech.

Выбор голоса и клонирование голоса

Из готовых голосов, которые предлагают сервисы, мы вместе слушаем и выбираем те, что подходят тону вашего бренда; будет ли голос теплым, официальным, молодым или зрелым, зависит от цели материала. Некоторые сервисы по коротким записям могут создавать искусственный голос, похожий на голос конкретного человека. Голос человека — персональные данные; поэтому клонирование голоса допустимо только с явного согласия владельца голоса и при письменном определении того, где и как долго голос будет использоваться.

Если использовать выбранный голос единообразно во всех видео, объявлениях и языковых версиях, со временем голос начинает ассоциироваться с вашим брендом. Если свести в короткое руководство по голосу, с какой скоростью и в каком тоне использовать каждый голос, результат остается единым, даже когда материалы готовят разные люди.

Перевод речи в текст: транскрипция и субтитры

Распознавание речи превращает звуковые записи в читаемый текст, по которому можно искать. Среди голосовых и языковых технологий это одна из областей, которая быстрее всего начинает приносить пользу в ежедневной работе, потому что у компаний уже есть множество записей: встречи, разговоры с клиентами, интервью, вебинары и видео.

Примеры использования

• Заметки со встреч: получать из записи текст с разделением по говорящим, а также краткое изложение решений и задач
• Субтитры к видео: готовить субтитры для видео в соцсетях, которые смотрят без звука, и для зрителей с нарушениями слуха
• Разговоры с клиентами: выявлять в записанных разговорах часто встречающиеся темы, вопросы и жалобы
• Создание контента: превращать запись интервью или вебинара в статью для блога, рассылку или текст для соцсетей
• Архив: делать старые аудио- и видеозаписи доступными для поиска по тексту

Разделение говорящих и временные метки

В записях, где говорят несколько человек, знать, кому принадлежит текст, гораздо удобнее, чем иметь простую расшифровку. Многие сервисы распознавания речи умеют различать говорящих и отмечать время каждой фразы в записи. Так в расшифровке встречи легко найти, кто и на какой минуте записи произнес то или иное решение.

От чего зависит точность?

Качество транскрипции в значительной мере зависит от качества записи. Микрофон рядом с говорящим, тихая обстановка и то, что участники не перебивают друг друга, заметно повышают точность. Отраслевые термины, имена людей и названия товаров — слова, в которых ошибаются чаще всего; для них нужно подготовить список терминов и чтобы важные тексты перед публикацией просматривал человек.

В субтитрах важны и время чтения, и длина строки. Дословная запись речи не всегда дает хорошие субтитры; длинные предложения делятся на читаемые на экране части, повторы и слова-паразиты упрощаются. Для ваших видео мы можем запланировать субтитры и шаг ИИ-озвучки в одном процессе вместе с нашей услугой видео для социальных сетей.

Перевод и многоязычный контент

Машинный перевод сегодня для большинства текстов дает быстрый и пригодный первый черновик. Основная трудность в том, чтобы перевод соответствовал вашему бренду и вашей отрасли: чтобы один и тот же технический термин везде переводился одним и тем же соответствием, форма обращения подходила целевой культуре, а названия товаров оставались непереведенными. Поэтому, переводя с помощью языковых технологий, мы сначала готовим словарь терминов и заметку о стиле.

Шаги локализации

1. Словарь терминов: перечисляются названия товаров, технические термины и выражения, которые не переводятся.
2. Заметка о стиле: для каждого языка записываются форма обращения, уровень официальности и выражения, которых следует избегать.
3. Машинный перевод: текст переводится вместе со словарем и заметкой.
4. Проверка человеком: мы советуем, чтобы тексты, которые будут опубликованы, читал человек, знающий этот язык как родной.
5. Голос и субтитры: при необходимости переведенный текст озвучивается на каждом языке и добавляется в виде субтитров.

Для многоязычного сайта, экспортного каталога или имиджевого ролика для иностранных посетителей такой процесс дает более согласованный результат, чем каждый раз заказывать перевод заново. Для текстов, где нет допуска на ошибку, — юридических, договоров и сведений о здоровье — мы советуем считать машинный перевод только черновиком, а окончательный текст отдавать на утверждение профессиональному переводчику.

Многоязычная озвучка

Переведенный текст не бывает такой же длины, как исходный: на некоторых языках одна и та же фраза заметно удлиняется или сокращается. В видео с голосом диктора эту разницу решают упрощением фраз или настройкой длительности сцен. Перенести на другой язык голос человека, говорящего перед камерой, — задача более сложная; в таких материалах субтитры чаще всего более надежный вариант.

Культурная адаптация

Даже правильно переведенный текст на целевом рынке может показаться странным. Единицы измерения и валюты, форматы дат, имена людей и названия мест в примерах, а также шутки нужно пересматривать для каждого языка. То же относится и к озвучке: тон голоса, который на одном рынке считают душевным, на другом может восприниматься как слишком официальный или слишком вольный.

Понимание текста и голосовые ассистенты

Обработка естественного языка понимает, что говорит текст, и превращает это в действие. Сюда относятся разбор входящих писем по теме, группировка довольства и жалоб в отзывах клиентов, краткое изложение длинных отчетов и извлечение дат, сумм и названий компаний из документа. Языковые технологии здесь работают не с голосом, а с письменным текстом, который накапливается в вашей компании.

Примеры обработки естественного языка

• Анализ отзывов: группировать отзывы в Google и на маркетплейсах по теме и тональности, чтобы увидеть, за что вас хвалят, а на что жалуются
• Классификация сообщений: разделять письма в службу поддержки по рубрикам вроде возврата, технической проблемы или счета и направлять нужному человеку
• Краткое изложение: превращать длинные отчеты, тендерную документацию или расшифровки разговоров в короткие заметки
• Извлечение сведений: брать определенные поля из бланка заказа, коммерческого предложения или текста договора и записывать их в таблицу

Результаты обработки естественного языка тоже не безошибочны: отзыв с иронией может быть сочтен положительным, письмо, затрагивающее две темы, может быть отнесено к одной рубрике. Поэтому в работах по классификации и извлечению мы советуем начинать с режима предложений, то есть выносить результат на одобрение сотрудника. Когда доля ошибок достигнет приемлемого уровня, процесс можно сделать более автоматическим.

Голосовой ассистент не только по телефону

Когда говорят о голосовом ассистенте, чаще всего вспоминают телефон; об ассистенте, который отвечает на вашу телефонную линию, смотрите нашу страницу телефонный ИИ-ассистент. Но та же технология может использоваться и в других средах: на информационном экране в магазине или в лобби отеля, в мобильном приложении или в интерфейсе на сайте, где можно задавать вопросы голосом. Такой голосовой ассистент создается совместной работой слоев распознавания речи, языковой модели и ИИ-озвучки.

В средах, где звук и экран используются вместе, дизайн другой. Ассистент голосом произносит краткое изложение ответа, а подробности показывает на экране; в шумном лобби у пользователя должна быть возможность вместо речи выбрать набор текста или касание. Поэтому сценарий голосового ассистента мы проектируем, думая о среде, где он будет использоваться, и о том, в каком положении пользователь находится в этот момент.

Внутренние процессы с голосом

Голосовой ассистент используется не только для разговора с клиентом. Технической команде, работающей на выезде, можно рассказать на телефон отчет о визите, и этот рассказ превратится в аккуратную форму; сотрудник на складе с занятыми руками может задать вопрос об остатках голосом: это тоже возможно с той же технологией. В таких внутренних процессах цель — записывать сведения без потерь в моменты, когда клавиатура неудобна.

Качество, права и персональные данные в языковых технологиях

Голосовые и языковые технологии дают быстрый результат, но эта скорость не должна превращаться в неконтролируемую публикацию. Неверная цена, зачитанная искусственным голосом, неточно переведенная характеристика товара или неправильно записанное имя оказываются опубликованными от имени вашего бренда. Поэтому для каждого типа материалов мы заранее определяем, на каком этапе его проверит человек.

• Лицензия: условия коммерческого использования готовых искусственных голосов у разных сервисов различаются; лицензию голоса, который будет использоваться в рекламе или в эфире, нужно проверить заранее.
• Звуковые записи: записи встреч и разговоров содержат персональные данные; нужно определить, в какой сервис они отправляются и как долго хранятся.
• Прозрачность: когда объявление звучит искусственным голосом или идет разговор с голосовым ассистентом, доверие сохраняется, если слушатель знает, что это искусственный интеллект.
• Вводящее в заблуждение использование: имитировать голос реального человека и заставлять его говорить то, чего он не говорил, — тема, к которой нужно относиться осторожно, даже при наличии разрешения.

Обработка персональных данных регулируется Законом Турции № 6698 о защите персональных данных (KVKK). По вопросам хранения записей и их передачи в сервисы за рубежом мы советуем ознакомиться с руководствами Управления по защите персональных данных (Kişisel Verileri Koruma Kurumu) и получить заключение вашего юриста.

Частые вопросы

Звучит ли ИИ-озвучка естественно на русском языке?

Современные сервисы ИИ-озвучки могут давать на русском языке плавный результат с естественной интонацией. Для чисел, сокращений и иностранных названий товаров нужно настроить произношение, а результат перед публикацией проверить на слух.

Можем ли мы выбрать, какой голос использовать в озвучке?

Да. Из голосов, которые предлагают сервисы, мы можем вместе послушать и выбрать те, что подходят тону вашего бренда. Клонирование голоса конкретного человека допустимо только с его явного согласия.

Безопасно ли переводить записи встреч в текст с помощью ИИ?

Поскольку записи могут содержать персональные данные и коммерческие сведения, условия использования данных в применяемом сервисе нужно изучить заранее. Использовать сервис советуем после того, как станет ясно, где обрабатываются записи, как долго они хранятся и кто имеет к ним доступ.

Заменит ли машинный перевод профессионального переводчика?

Машинный перевод для большинства материалов дает быстрый и пригодный черновик, но текст, который будет опубликован, должен проверить человек, хорошо знающий язык. Для юридических, медицинских текстов и договоров нужно утверждение профессионального переводчика.

Используется ли голосовой ассистент только по телефону?

Нет. Голосовой ассистент может работать в мобильном приложении, на сайте или на информационном экране в магазине и в лобби отеля. Ассистент, который отвечает на телефонную линию, — одна из распространенных областей применения этой технологии.

Какие языки поддерживают языковые технологии?

Хотя это зависит от используемого сервиса, распространенные сервисы языковых технологий поддерживают множество языков, таких как турецкий, английский, немецкий, русский и арабский. Поскольку качество звука и понимания у разных языков различается, мы дополнительно тестируем каждый язык, который будет использоваться.

Давайте вместе спланируем ваш голосовой и языковой проект

Расскажите, какие материалы вы хотите озвучить, какие записи перевести в текст или на какие языки адаптировать; вместе мы определим, с каких языковых технологий разумно начать и как построить рабочий процесс. Если у вас есть пример видео, записи или текста, возьмите его на встречу: так нам будет проще оценить потребность предметно. Связаться с нами можно через страницу контактов.