AI WORLD HQ
Hallgattál már végig egy hosszú üzenetet felolvasó számítógépes hangot úgy, hogy az az érzésed támadt: nem hozzád beszél, csak felolvas neked? Pont ezt a lapos, gépies ritmust próbálják kijavítani az újabb hangmodellek. Az Amazon most az egyik ilyen modell jelentős frissítését jelentette be.
Mi az Amazon Polly?
Az Amazon Polly egy szövegfelolvasó szolgáltatás, vagyis az írott szavakból beszédhangot készít. A vállalatok például cikkek hangos változatához, telefonos rendszerekhez, navigációs utasításokhoz és az alkalmazásokba épített hangfunkciókhoz használják. A „Generative” motor egy újabb típusú hangmodell. Az előre rögzített hangok összefűzése helyett nagy mennyiségű emberi hangadatból megtanult minták alapján állít elő beszédet. (A modell ebben a szövegkörnyezetben a munkát végző, betanított szoftvert jelenti.)
Mi változott az Amazon szerint?
Az Amazon bejelentése szerint a frissítés három fő javulást hoz:
- Kifejezőbb beszéd. A hang természetesebben szólhat, jobb érzelmi árnyalatokkal és ritmussal.
- Pontosabb beszéd. A motor a szöveg szándékának megfelelően ejtheti ki a szavakat.
- Rövid késleltetés. A késleltetés az az apró időtartam, amely a szöveg elküldése és az első hang megszólalása között telik el. A rövidebb késleltetés azt jelenti, hogy a hang gyorsan megszólal, ami élő beszélgetéseknél fontos.
Az Amazon azt is közölte, hogy a frissítés közvetlenül beilleszthető a meglévő rendszerbe. Ez azt jelenti, hogy a jelenlegi beállításokat kód átírása nélkül át lehet állítani az új verzióra. A frissítés mostantól éles környezetben is általánosan elérhető, vagyis valódi, élő szolgáltatásokhoz is készen áll, nem csak tesztelés alatt van.
Új hangok és nyelvek
Az Amazon 9 nyelvi-területi változatban 14 új hangról számolt be. A nyelvi-területi változat egy nyelvet és annak regionális változatát jelenti, például azt, ahogyan az angolt különböző országokban beszélik. A vállalat azt is bejelentette, hogy a hindi és a finn mostantól általánosan elérhető. Az általunk ismert szöveg nem sorolja fel az összes hang nevét és nyelvi-területi változatát, ezért ha egy konkrét hang köré tervezel projektet, a teljes listáért nézd meg az Amazon hivatalos Polly-dokumentációját.
Mit jelent ez számodra?
- A vállalkozásodban vagy a munkádban: Ha a céged hangüzeneteket küld, dokumentumokat olvas fel vagy telefonos rendszert működtet, a természetesebb hang jobb ügyfélélményt nyújthat. Kérdezd meg a fejlesztődet vagy az informatikai csapatot, hogy a jelenlegi rendszeretek használja-e már a Pollyt, mivel az Amazon szerint a frissítéshez nincs szükség kódmódosításra.
- Akadálymentesítéshez és tartalmakhoz: A kifejezőbb beszéd megkönnyítheti az írott anyagok hangos változatának követését azok számára, akik inkább hallgatni szeretnek, köztük az olvasási nehézségekkel élőknek is.
- Ha most kezdesz ismerkedni vele: Semmit sem kell építened ahhoz, hogy hasznát lásd. Figyeld azokat a termékeket és alkalmazásokat, amelyek megemlítik a Pollyt, majd hallgasd meg a hangjukat, hogy saját magad is érzékeld a különbséget.
- Ha már használod: Ha a Polly éles környezetben fut nálad, tesztelj néhány hosszabb vagy érzelmesebb szöveget az új motorral, és hasonlítsd össze a beszéd ritmusát. Az élő funkcióidnál figyeld a késleltetést is, mivel az Amazon ezt a frissítés egyik fontos előnyeként emeli ki.
Összegzés
Az Amazon szerint a Polly Generative motorja most természetesebb és pontosabb beszédet kínál rövidebb késleltetéssel, valamint 14 új hanggal és általánosan elérhető hindi- és finn-támogatással bővült. A frissítést úgy tervezték, hogy kódmódosítás nélkül beilleszthető legyen a meglévő rendszerbe. A mai következő lépésed: nyisd meg az Amazon hivatalos Polly-dokumentációját, nézd meg, hogy a projektedhez mely hangokra és nyelvi-területi változatokra van szükség, majd hallgass meg egy mintát, mielőtt döntesz.