Развитие генеративных нейросетей привело к буму технологий синтеза речи. Мировой объем этого рынка в 2025 году, по оценкам Polaris Market Research, может достигнуть $4,1 млрд, а в 2034 году — уже $5,7 млрд. Активный рост рынка связан с тем, что современный синтез речи — это не просто ответы роботов в кол-центрах. Это реалистичные эмоциональные голоса, которые также используют в киноиндустрии, арт-проектах, видеоиграх и даже в образовании. При этом быстрое развитие технологии порождает и новые вызовы, например, риски мошенничества с дипфейками. О том, как синтез речи меняет мировой рынок и как проходит внедрение таких решений в России, рассуждает руководитель направления по развитию речевых технологий Yandex Cloud Елена Белоброва
Сценарии и заказчики
Сегодня синтез речи в России уже перестал быть нишевой технологией и массово внедряется в бизнес-процессы. Прежде всего это связано с кастомизацией голоса. Бизнес больше не хочет звонить клиентам безликим роботом — вместо этого компании создают собственные голосовые профили, которые становятся частью их бренда. Одни записывают голоса CEO или знаменитостей, другие используют речь профессиональных дикторов, чтобы выделиться на фоне конкурентов. Эта тенденция особенно заметна в премиальном сегменте: например, luxury-бренды используют синтез для персонализированных аудиосообщений, а медиа — для озвучки контента «фирменным» голосом.
Лидером по объему использования остаются контакт-центры: банки, телеком-операторы и крупный ретейл активно внедряют их на первой линии поддержки. Если раньше компании использовали предзаписанные аудиофрагменты, то теперь благодаря естественности синтеза активно переходят на динамическую генерацию речи — это позволяет гибко адаптировать сценарии общения без повторной записи.
Параллельно растет спрос на синтез в медиаиндустрии: издательства используют его для озвучки книг, гейм-студии — для создания голосов персонажей, а продюсеры экспериментируют с синтезированной речью в кино и анимации.
Пожар мировой революции
С точки зрения технологий мировой рынок синтеза речи находится на несколько шагов впереди российских решений по качеству и скорости синтеза. Во многом это связано с более высоким спросом на такие решения за рубежом, c доступностью ресурсов и данных для обучения, а также с тем, что английский язык проще, чем русский. Однако скорость развития этих технологий такова, что значительный прогресс в этой области у российских компаний ожидается уже в 2025 году. При этом отечественные компании уже значительно превосходят иностранных конкурентов в качестве синтеза русского языка, а некоторые также специализируются на языках стран СНГ — Казахстана, Узбекистана и т.д.
Один из ключевых мировых трендов развития синтеза речи — это стремительный рост качества и доступности технологии. Сегодня даже небольшие компании и частные пользователи могут получить реалистичный голосовой профиль всего за 10-30 минут записи неплохого качества на диктофон. Управление голосом в самых современных технологиях синтеза на базе генеративных технологий также стало проще: нейросети позволяют регулировать тон, темп и настроение синтезированной речи простыми командами вроде «Скажи это взволнованно» или «Сбавь скорость на 20%».
Для сравнения, еще год назад для создания естественного голоса требовались часы студийной записи под контролем войс-коуча. Для этого диктору нужно озвучить сложный и иногда бессмысленный текст. Если заказчику нужно было синтезировать несколько разных эмоций, приходилось записывать голос для каждой из них. Сейчас такой подход используется для профессионального синтеза, чтобы создать голос, почти не отличимый от речи живого человека.
Современные TTS-модели (Text-to-speech) научились на семантическом уровне понимать смысл текста, который необходимо синтезировать: они улавливают сарказм, ставят интонационные паузы в напряженных моментах и могут менять эмоциональную окраску в середине предложения. Все это делает речь более живой, что особенно актуально, например, для озвучки книг или видеоигр.
Также настоящая революция происходит в сфере интерактивного применения TTS-моделей. Высокая скорость распознавания и анализа речи генеративными моделями вместе с быстрым синтезом открыли двери для голосовых ассистентов нового поколения, способных вести осмысленные диалоги. Вкупе с системами онлайн-перевода их можно использовать при живом общении с иностранцами, стирая языковые барьеры.
Более того, в ближайшем будущем нас ждет эра мультимодального синтеза, где голос будет синхронизирован не только с движением губ цифрового аватара, но и с его мимикой, жестами и даже окружающей обстановкой, создавая по-настоящему immersive-впечатления в метавселенных и видеоконтенте.
Тормозящие факторы
Стремительный прогресс в развитии мировых технологий синтеза речи создает серьезные барьеры для массового внедрения этих технологий, в первую очередь юридическими и этическими. Один из ключевых вопросов — защита нематериальных прав человека при использовании его синтезированного голоса без согласия. Вопрос может показаться очевидным, но как быть, если согласие получить невозможно — например, если воспроизводится речь человека, который жил много лет назад? И кому принадлежат авторские права на синтезированный голос? Если компания обучает модель на записях конкретного человека, кому принадлежит результат?
Мировое законодательство пока не поспевает за темпами развития технологии, поэтому не дает четкого ответа: в некоторых странах (например, в американском Теннесси) голос признается частью имиджа и защищается законом, но в большинстве юрисдикций конкретных правил пока нет. Уже сейчас появляются первые примеры таких разбирательств: например, актеры озвучки подают иски против сервисов, синтезирующих их голос без разрешения, а сервис ElevenLabs временно ограничивал создание голосовых клонов из-за волны подделок.
В России удалось начать обсуждение этих вопросов до того, как качественный синтез станет легким и общедоступным — это позволяет оценить опыт регулирования в других странах и решить, как развивать технологии с учетом возможных рисков.
Еще острее во всем мире стоит проблема борьбы с дипфейками из-за высокой доступности технологии для рядовых пользователей. Сами разработчики синтеза речи блокируют несанкционированное использование голоса, если узнают о таких ситуациях, однако мониторить все действия клиентов они, как правило, не могут из-за политики обработки данных.
Для борьбы с нелигитимным использованием ИИ разработчики нейросетей также создают технологии, которые помогают выявить фейки. В частности, компании создают дипфейк-детекторы, которые могут опознать синтезированную речь по артефактам, которые не слышны обычному человеку. Они помогают в борьбе с синтезом среднего качества, однако распознать атаки с помощью самых современных технологий синтеза у них тоже получается далеко не всегда.
Также ИИ-разработчики предупреждают клиентов и дикторов о рисках, которые могут возникнуть при работе с ненадежными сервис-провайдерами. Чтобы сделать процесс взаимодействия всех участников рынка более прозрачным, в 2024 году «Яндекс» опубликовал свои внутренние принципы синтеза речи, в которых рассказал о том, как строится работа с дикторами. Компания запрашивает у них согласие на использование голоса и объясняет им, что их голосами впоследствии будут озвучены произвольные тексты.
Мнение редакции может не совпадать с точкой зрения автора
Источник: www.forbes.ru
