Para que las voces generadas por inteligencia artificial (IA) suenen más auténticas y próximas al habla humana, se incorporó un modelo de entonación a una red neuronal, como resultado de las labores de investigadores de la Universidad Estatal de San Petersburgo (SPbU), Rusia.
Este desarrollo podría contribuir a mejorar los sistemas de conversión de texto a voz utilizados en asistentes virtuales y robots antropomórficos. Por lo general, los modelos lingüísticos reproducen las variantes de pronunciación más frecuentes de las palabras o de los elementos de una frase.
Sin embargo, a la IA todavía le resulta difícil utilizar una entonación capaz de transmitir matices semánticos y emocionales. Para abordar esta limitación, lingüistas rusos desarrollaron modificaciones que permiten a la red neuronal evitar una entonación poco natural o monótona.
«Gracias a una adecuada estructuración de los datos y al uso de etiquetas para las distintas variantes de entonación, el modelo pudo transmitir diferentes matices entonativos, lo que permite obtener una voz sintetizada más natural y expresiva. Este enfoque hace que el sistema de síntesis sea más flexible y adecuado para diversos ámbitos de aplicación, incluidos el control por voz y los programas educativos», explicó la profesora asociada de la SPbU, Uliana Kochetkova.
Para evaluar la eficacia del entrenamiento de la red neuronal, los investigadores pidieron a 42 hablantes nativos de ruso que respondieran a preguntas después de escuchar grabaciones de audio sintetizadas. En promedio, los participantes consideraron que las grabaciones sonaban naturales.
Con información de VTV
