SmartSpeech можно использовать на сайтах, в приложениях или умных устройствах для озвучивания контента и команд или голосового ввода. Также используемые в сервисе технологии синтеза и распознавания речи применяются для создания IVR (интерактивного голосового меню) и автоответчика — это оптимизирует работу колл-центров. Сервис сам распознает и синтезирует речь, а также способен использовать «подсказки», помогающие максимально точно понимать пользователя в зависимости от конкретной ситуации. SmartSpeech используется и в самом Сбербанке, например, он является основой в семействе виртуальных ассистентов Салют. Он же позволяет узнать баланс банковской карты по номеру 900 в любое время суток без ожидания оператора.
Одна из задач бизнеса, которая может быть решена с применением SmartSpeech, — быстро, эффективно и малозатратно решить вопрос, с которым обращается клиент. Звонящий говорит, какая услуга ему нужна, и либо сразу попадает на нужного оператора, либо получает ответ от робота. Уникальные модели распознавания тишины и шума, способность определять конец высказывания и эмоции собеседника позволяют сделать взаимодействие с роботом живым и эмпатичным, а обучение акустических моделей на большом объеме данных помогает качественно распознавать речь даже во время телефонного разговора.
Заранее записывать «живую» речь не придется: достаточно загрузить текст, и робот сам прочтет его вслух. Сервис уже предлагает несколько голосов, а их библиотека продолжает расширяться, позволяя выбирать из все большего количества тонов, тембров и настроений звучания, подходящих конкретному бизнесу на 100%. При этом SmartSpeech генерирует максимально естественную речь: собственная модель расстановки ударений помогает значительно уменьшить число фонетических ошибок в синтезе, с ее помощью легко озвучивается даже сложный текст — цифры, адреса, названия.
Чтобы добиться качественного синтеза речи, команда SberDevices модифицировала архитектуру Tacotron 2, внедрив в нее контроль за частотой основного тона речи, паузами, а также изменяя интонацию в зависимости от темы текста. Для этого используется информация, полученная из модели BERT, которую предварительно обучили русскому языку на большом количестве текстов, благодаря чему синтез речи звучит сложно отличимо от речи реального человека.
Речевые технологии, лежащие в основе сервиса SberSpeech, сейчас активно внедряются в колл-центрах и службах поддержки, а их использование стоит в разы меньше, чем работа оператора или диктора. Например, многие компании автоматизируют работу со звонками, записывая готовые реплики, но работу, которую сейчас выполняет человек, можно отдать сервису, функционирующему на основе речевых технологий. Таким же образом компании могут озвучивать тексты сайтов и приложений или добавить опцию голосового ввода, что значительно ускоряет взаимодействие пользователя с ресурсом, и дает ему возможность пользоваться тем или иным сервисом даже за рулем, — Денис Филиппов, CTO SberDevices
Компаниям, желающим протестировать SmartSpeech, предоставляется программный интерфейс (API) для подключения и использования речевых сервисов в своих продуктах. API использует протоколы HTTP и gRPC, поэтому код можно очень быстро встроить практически в любую систему. Использование HTTP REST и gRPC API удобно, когда у бизнеса есть собственная интеграция, например, собственный клиент для телефонной платформы. Если же необходимо сделать интеграцию TTS API для сайта или приложения — HTTP самый простой и быстрый вариант выполнения этой задачи.