Определение
Синтез речи (Text-to-speech, TTS) преобразует письменный текст в устную речь. В бизнес-системах голосовой связи он позволяет IVR-подсказкам, голосовым OTP-кодам, напоминаниям и голосовым ИИ-агентам озвучивать динамический контент без предварительной записи каждой фразы.
Движок TTS нормализует текст (раскрывает числа, даты, суммы в валюте и сокращения), определяет произношение и просодию, после чего синтезирует аудио. Нейросетевые голоса звучат намного естественнее старых конкатенативных, а многие движки позволяют выбрать язык, пол, скорость речи и стиль.
Произношением и темпом можно управлять с помощью SSML (Speech Synthesis Markup Language) — стандарта W3C, который поддерживает большинство движков. Типичные задачи: прочитать код по цифрам, вставить паузы, продиктовать буквы по отдельности или задать нужное произношение названия бренда.
Арабский язык требует особого внимания. В письменном арабском обычно не указывают краткие гласные (ташкиль), поэтому движку приходится угадывать их, и он может неверно произнести имена или редкие слова. Числа могут читаться по-арабски или по-английски, а пользователи в зависимости от сценария могут ожидать современный литературный арабский язык или диалект стран Персидского залива. Перед запуском проверьте реальные подсказки с носителями языка.
Типичные ошибки: слишком быстрое чтение длинных последовательностей, прочтение OTP-кода как одного большого числа и смешение языков в одном предложении без обозначения переключения.
OmniChannels.ai через голосовые возможности BroadNet предлагает синтез речи, в том числе на арабском языке, для IVR, голосовых OTP-кодов и программируемых звонков.
Пример
<speak>Ваш код: <say-as interpret-as="characters">471902</say-as>. <break time="700ms"/> Повторяю…</speak>