Синтез речи на длинной дистанции: опыт чтения целого романа
В первой статье серии была таблица про то, как синтезированный голос прочитал целую книгу: роман Шамиля Алядина «Merdiven» («Лестница»), 16 глав, 15 444 слова, 1 ч 58 мин звучания. Во второй я обещал отдельно рассказать, что ломалось на длинной дистанции. Рассказываю. Если коротко, голос держался ровно все два часа. Почти всё, что ломалось, сидело не в модели, а в обвязке вокруг неё: в нарезке тек
Автор протестировал возможности синтеза речи, заставив ИИ прочитать роман Шамиля Алядина «Merdiven» объемом 15 444 слова. Процесс занял почти два часа, и за это время голос сохранял стабильность на протяжении всей книги. Основные технические сбои возникли не в самой модели, а в программной обвязке при обработке текста и склейке фраз. Для оценки качества использовался метод обратной вычитки через систему распознавания речи с расчетом метрики CER. Исследование подтвердило отсутствие утечки данных: модель не заучивала текст, а именно синтезировала его. Результаты показали, что на связной прозе точность значительно выше, чем на коротких проверочных фразах.