Synteza mowy AI: tekst jest poprawny, lektor zamówił inny model

Głos brzmi spokojnie, zdania płyną, muzyka dyskretnie wspiera prezentację. Wszystko pasuje do filmu o wyposażeniu pracowni. Dopiero ktoś z zespołu zauważa, że lektor kilka razy podał inny model produktu. Z kodu zniknęło zero. Nikt nie usłyszał zająknięcia, bo błąd został wypowiedziany z doskonałą pewnością.

To hipotetyczny materiał, lecz dobrze pokazuje przedmiot odbioru syntezy mowy: znaczenie gotowego dźwięku. Poprawny skrypt i atrakcyjny głos nie wystarczą, jeśli słuchacz odtworzy inną nazwę, liczbę albo instrukcję. Próbę trzeba przeprowadzić z nagraniem, a część pytań zadać bez udostępniania tekstu.

Najpierw ustal, co słuchacz ma rozpoznać

W naszym przykładzie fikcyjna marka Nordvika prezentuje element o kodzie N-08B i wymiarze od 30 do 45 milimetrów. Zapis obejmuje trzy różne zadania. Nazwę marki trzeba odróżnić od oznaczenia modelu. Kod trzeba odtworzyć bez zgubienia zera i zamiany litery na cyfrę. Zakres trzeba zrozumieć jako dwa końce wraz z jednostką.

Właściciel materiału powinien ustalić oczekiwaną wymowę nazwy. Przy słowie wymyślonym przez firmę model nie zna intencji autora tylko dlatego, że ma przed sobą poprawny zapis. Zapisz uzgodnioną wersję słownie albo zachowaj wzorcowe nagranie. Jeśli dopuszczasz kilka wariantów wymowy, określ, które nadal jednoznacznie wskazują tę samą markę.

Przy kodzie rozstrzygnij, czy litery mają być czytane po polsku, czy według innej ustalonej konwencji. Nie zostawiaj tej decyzji przypadkowi, zwłaszcza jeśli obok pojawia się obcojęzyczna nazwa. Mieszanie dwóch sposobów czytania może utrudnić rozpoznanie kodu, mimo że pojedyncze dźwięki brzmią naturalnie.

Zer w oznaczeniu nie traktuj jak zbędnej dekoracji liczby. N-08B może identyfikować coś innego niż N-8B. W próbie słuchacz powinien wskazać właściwy wariant lub zapisać rozpoznany kod. Pytanie „czy lektor powiedział to dobrze?” z pokazanym skryptem jest słabsze: odbiorca może uzupełnić brak na podstawie tego, co widzi.

Dla zakresu ustal informację, którą trzeba przekazać: od trzydziestu do czterdziestu pięciu milimetrów. Sposób zapisania myślnika w tekście nie stanowi jeszcze instrukcji, jak go wypowiedzieć. Ten sam znak może wystąpić w kodzie, przedziale i odejmowaniu. Oceniaj sens całego zdania, a nie tylko obecność obu liczb w nagraniu.

Odróżnij przedział od dwóch wymiarów. Zapis „30–45 mm” w naszym przykładzie oznacza zakres, a „30 × 45 mm” może oznaczać wielkość dwóch boków. Jeżeli lektor sprowadzi oba do samego ciągu dwóch liczb, słuchacz straci tę relację. Kryterium powinno obejmować również to, co liczby opisują, a nie wyłącznie ich rozpoznanie.

Przygotuj krótką listę elementów, dla których zmiana brzmienia zmienia identyfikację lub wartość. W naszym materiale będą to nazwa, kod, zakres i jednostka. W innym mogą dojść adres, numer stanowiska albo skrót używany przez firmę. Nie rozbudowuj listy o każdą zwykłą sylabę. Ma kierować uwagę na informacje potrzebne odbiorcy.

Firmowy słownik pojęć z ustaloną odpowiedzialnością może przechowywać także uzgodnioną wymowę. Potrzebna jest osoba, która rozstrzygnie wątpliwość i zaakceptuje zmianę. Bez niej kolejny korektor może poprawić nazwę na swoją wersję, a następny wrócić do pierwszej. Głos będzie coraz bardziej dopracowany, za to firma nadal będzie miała trzy sposoby przedstawiania tego samego produktu.

Oddziel zmianę zapisu od sterowania wymową

Najprostsza poprawka bywa rozszerzeniem skrótu w tekście przeznaczonym do mówienia. „mm” można w odpowiednim zdaniu zastąpić pełną nazwą jednostki. To pomaga określić intencję, lecz wymaga ponownego odsłuchu. Wymowa całej wartości powinna nadal odpowiadać liczbie i jednostce z zaakceptowanego materiału.

Nie zmieniaj przy tym bez potrzeby tekstu widocznego na stronie. Fonetyczny zapis roboczy nazwy, użyty do uzyskania głosu, może wyglądać dziwnie w podpisie produktu. Oddziel zatwierdzony tekst publikacji od wskazówek dla syntezy, zachowując ich zgodność znaczeniową. Odbiorca ekranu i odbiorca dźwięku powinni rozpoznawać ten sam element.

Google Cloud opisuje sterowanie odczytem i wymową przez wybrane elementy SSML, czyli znaczniki dodające do tekstu wskazówki dla syntezy. Dokumentacja zastrzega obsługę podzbioru standardu. Dostępność konkretnego sposobu trzeba sprawdzić w używanym rozwiązaniu, zamiast zakładać, że każdy głos przyjmie te same ustawienia.

W praktyce potrzebujesz ustalić, czy narzędzie pozwala określić odczyt kodu, wymowę nazwy i pauzę między zdaniami. To trzy odrębne możliwości. Suwak szybkości może zmienić tempo całego nagrania, lecz nie rozstrzyga, czy kod zostanie potraktowany jak liczba, skrót czy ciąg znaków. Wybierz korektę odpowiadającą znalezionemu błędowi.

Microsoft opisuje własny leksykon, czyli słownik reguł wymowy wielu wyrażeń i wskazuje zależność obsługi od ustawień językowych. Przy powtarzających się nazwach taki mechanizm może porządkować reguły. Nie jest dowodem poprawnego brzmienia gotowego pliku; to sposób przygotowania, którego wynik nadal trzeba odsłuchać.

Zachowaj regułę wraz z kontekstem. Nazwa może występować samodzielnie, w odmianie, na początku zdania i po innej nazwie. Sprawdź takie użycia, jeśli pojawią się w materiałach. Korekta działająca dla jednego krótkiego hasła może nie rozstrzygać przypadku z inną końcówką. Przyjmujesz konkretny zestaw użyć, a nie sam fakt dodania słownika.

Nową regułę sprawdź także na kilku wcześniej poprawnych fragmentach. Rozwinięcie skrótu albo sposób odczytu ciągu znaków nie powinny przypadkowo zmienić zwykłego słowa występującego obok. W zestawie zachowaj przykład przed korektą, wskazaną zmianę i oczekiwany rezultat. Łatwiej wtedy ustalić, czy poprawiono jedną nazwę bez pogorszenia pozostałych, niż porównywać z pamięci dwa długie nagrania.

Jeżeli narzędzie nie daje odpowiedniego sterowania, można zmienić zdanie przeznaczone do odczytu albo wybrać inne rozwiązanie dla danego fragmentu. Uzgodnij tę drogę przed tworzeniem wielu wersji materiału. Ręczne poprawianie każdej nazwy po eksporcie może być wykonalne dla jednego filmu, a trudniejsze do utrzymania w serii kilkudziesięciu nagrań.

Nie przenoś automatycznie polskiej reguły do innego języka. Nazwa może pozostać ta sama, lecz otoczenie, odmiana i sposób czytania kodów wymagają sprawdzenia. Podobnie jak przy tłumaczeniach dokumentów z pomocą AI, zgodność terminów jest osobnym kryterium względem płynności języka. Odbioru powinna dokonać osoba znająca język i zamierzony sens.

Odsłuch bez tekstu ujawnia to, co wzrok dopowiada

Przekaż próbkę osobie, która nie zna skryptu. Poproś o wskazanie produktu, zapisanie kodu i odtworzenie zakresu wymiarów. Nie podpowiadaj wcześniej, że w kodzie jest zero. Po odpowiedzi pokaż tekst i porównaj rozbieżności. Jeśli ktoś potrzebuje kilku odsłuchów, zapisz ten fakt, zamiast zaliczyć dopiero ostatnią udaną próbę.

Dobierz osobę odsłuchującą do odbiorcy materiału. Pracownik znający katalog może rozpoznać produkt mimo zgubionego zera, bo uzupełni brak z wiedzy. Nowy klient nie musi mieć tej możliwości. Zapisz, czy w próbie korzystano z katalogu, obrazu i wcześniejszej znajomości nazwy. Te warunki zmieniają znaczenie poprawnej odpowiedzi i powinny być czytelne przy odbiorze.

Dobrze dobrane warianty powinny rozróżniać konkretny problem. N-08B i N-8B sprawdzają zero. Oznaczenia różniące się literą B i cyfrą 8 badają inny fragment czytelności. Nie dawaj wyłącznie alternatyw, których nie da się pomylić, na przykład kodu elementu obok nazwy całkiem innej kategorii. Łatwa odpowiedź nie potwierdzi potrzebnego rozróżnienia.

Liczby odsłuchaj jako liczby. „Dwa i pół centymetra”, „dwadzieścia pięć milimetrów” oraz „dwadzieścia pięć centymetrów” mogą brzmieć podobnie rytmicznie, ale ostatnia wartość jest inna. Jeżeli dopuszczasz równoważną zmianę jednostki, zapisz to w kryterium. Nie uznawaj jej automatycznie za błąd ani za poprawę bez porównania wielkości.

Sprawdź całe zdanie z warunkiem, a nie tylko wyciętą liczbę. Pauza i akcent mogą rozdzielić zakres od jednostki albo połączyć końcówkę kodu z następną informacją. Odsłuchaj przejście do kolejnego zdania, szczególnie po łączeniu osobno generowanych fragmentów. Wygodna korekta jednego słowa może zmienić rytm sąsiedniej wypowiedzi.

Gdy nagranie przedstawia kilka produktów, poproś o przypisanie kodu do właściwej nazwy. Poprawny odczyt każdego kodu z osobna nie wystarczy, jeśli pauza po montażu połączy kod jednego elementu z opisem następnego. W próbie można użyć dwóch podobnych modeli i dwóch różnych wymiarów. Oczekiwany wynik obejmuje wtedy pary, które mają pozostać ze sobą związane.

W tym miejscu przydaje się odbiór napisów AI do wideo. Napisy powinny odpowiadać gotowemu głosowi i pojawiać się we właściwym czasie. Jeśli po zmianie wymowy fragment wydłużył się, dawny podział napisów może już nie pasować. Nie zatwierdzaj tych dwóch wersji niezależnie, jeśli mają działać razem w jednym filmie.

Przy nazwach i kodach w tekstach o różnych kierunkach zapisu sprawdź także tożsamość znaków. Projekt nazw, kodów i adresów w dwóch kierunkach tekstu dotyczy warstwy widocznej. W syntezie upewnij się, że wprowadzona kolejność i gotowy odczyt nadal wskazują ten sam identyfikator. Odbiorca powinien móc odtworzyć oznaczenie na podstawie nagrania, bez zgadywania kolejności znaków.

Odsłuchaj materiał również z tłem, które rzeczywiście pozostanie w publikacji. Dobrze rozpoznana końcówka kodu w czystym pliku może zginąć pod muzyką lub dźwiękiem przejścia. Porównanie wersji czystej i gotowej pomoże ustalić, czy trzeba poprawić syntezę, czy montaż. Nie wymagaj od generatora naprawiania problemu, który powstał dopiero przy składaniu nagrania.

Naturalność oceniaj osobno od poprawności. Możesz przyjąć wymowę nazwy i nadal odrzucić urywane zakończenie zdania. Możesz też lubić barwę głosu i odrzucić błędny kod. Rozdziel te uwagi w raporcie, żeby osoba poprawiająca wiedziała, czy zmienić regułę odczytu, tempo, montaż czy sam tekst.

Przyjmij konkretny plik i zachowaj reguły do następnego

Po korekcie odsłuchaj plik przeznaczony do publikacji. Wersja robocza w narzędziu może różnić się od zmontowanego filmu lub nagrania po dodaniu muzyki. Sprawdź początek, koniec i łączenia. W naszym przykładzie pierwsza litera kodu nie może zniknąć razem ze skróconym oddechem, a końcowa jednostka pod wyciszającą muzyką.

Zapisz użyty tekst, głos, język i istotne ustawienia wraz z uzgodnioną wymową. Wskaż wersję gotowego dźwięku oraz fragmenty sprawdzone po zmianie. Dzięki temu następny materiał może korzystać ze znanej reguły, a zespół nie musi odtwarzać jej z pamięci. Nowa nazwa lub zmieniony sposób generowania wymagają jednak własnego sprawdzenia.

Reguły przydają się także po zmianie głosu. Nowy wariant może mieć lepszą barwę, lecz wymaga sprawdzenia tej samej listy nazw, kodów i wartości. Zachowaj krótki zestaw porównawczy z zaakceptowanymi odpowiedziami. Nie musi obejmować całego archiwum, ale powinien zawierać te rozróżnienia, których utrata wcześniej zmieniała sens materiału.

Jeśli nagranie jest elementem rozmowy, dochodzi jeszcze inny problem: kiedy asystent zaczyna mówić, przerywa i oddaje głos. Ten zakres opisuje audyt tur rozmowy głosowego asystenta AI. Dobra wymowa gotowej kwestii nie potwierdza poprawnego przebiegu interakcji. Tu odbierasz brzmienie i znaczenie wypowiedzi, którą słuchacz ma rozpoznać.

Audyt wykorzystania AI w Aeneia może objąć sposób przygotowania nagrań i kryteria ich przyjmowania. Uzgodnij języki, typy treści oraz osobę odpowiedzialną za ocenę poprawności języka i danych. Ocena wymowy nazw i jednostek nie jest badaniem tożsamości głosu ani diagnozą mowy.

W końcowej próbie słuchacz powinien wybrać N-08B i rozpoznać wymiar od 30 do 45 milimetrów. Jeśli wskazuje inny model, wróć do znalezionej rozbieżności, choćby nagranie brzmiało jak spokojna zapowiedź w pięknym muzeum. Produkt ma pozostać ten sam również po zamknięciu oczu.