10 часов назад прошло мероприятие "Sberbank Data Science Day", на котором была в т.ч. затронута такая интересная тема как синтез речи для использования в call-центрах. 

[5:11:15]

Направления использования этой технологии представлены на картинке ниже.

Так, например, только с должниками в день Сбербанком совершается несколько сот тысяч разговоров с клиентами. При этом эти разговоры, особенно первый звонок клиенту, крайне однообразны, и, фактически, 90% разговоров укладывается в 3-4 простых сценария. 

Система синтеза речи построена на основе Tacotron 2, разработанной одним из подразделений компании Google. Она позволяет генерировать практически не отличимую от человеческой речь из любого текста, за счёт предварительного обучения её нейронных сетей на речевых примерах и соответствующих им текстовых расшифровок. 

Для обучения этой рекуррентной сети использовались GTX 1080 карты и начитанные различными профессиональными дикторами по 30 часов текста. 

Необходимость в достижении не отличающегося от человеческого качества синтеза речи заключается в особенности в том, что при "выбивании" долгов человек, который понимает что разговаривает с роботом, в большей степени склонен к внезапному прерыванию диалога.

Что получилось у специалистов Сбера, можете прослушать на [5:24:00] секунде, на мой взгляд, звучит весьма впечатляюще.