По данным исследований, каждый четвертый пользователь регулярно применяет функции голосового поиска на своих мобильных устройствах. Инструменты распознавания голоса и преобразования речи в текст (speech-to-text) становятся все популярнее.
Технология преобразования речи в текст применяется в разных сферах. А искусственный интеллект, лежащий в основе этих продуктов, постоянно обучается и развивается.
Также активно используется технология преобразования текста в речь или text-to-speech (TTS).
TTS применяется в сочетании с рядом других технологий: автоматическим распознаванием речи (ASR), пониманием естественного языка (NLU), управлением диалогами и генерацией естественного языка (NLG). Преобразование текста в речь позволяет подавать команды и получать ответы посредством речи. Получающиеся в результате голосовые пользовательские интерфейсы превращают набор символов в понятную речь.
Искусственный интеллект (AI) позволяет создавать синтетическую речь, которую не отличить от реальной. TTS часто используют для разработки индивидуальных голосов для брендов. Благодаря искусственному интеллекту преобразование текста в речь с помощью нейронной сети стало более естественным и простым.
В статье рассмотрим популярные нейросети для распознавания и расшифровки голоса человека.
Speechlogger
Простое приложение для распознавания речи и мгновенного голосового перевода. Оно подчеркивает естественность текста за счет автоматической пунктуации.
Стоимость
Сервисом можно пользоваться бесплатно.
Поддерживаемые языки
Русский, английский, немецкий, испанский, итальянский, французский, китайский, корейский, украинский, турецкий, чешский, португальский.
Возможности
- временные метки и автоматическая пунктуация;
- быстрая расшифровка записи голоса;
- API-интерфейсы Google ASR для более точного перевода;
- транскрипция аудио файлов и запись телефонных разговоров;
- параметры экспорта подписей и стенограмм.
Поддерживаемые форматы
Голосовой ввод.
Тест работы
В программе используется передовая технология обработки естественного языка (NLP). Так Speechlogger автоматически преобразует произнесенные слова в текст. Пользователи легко могут записывать и расшифровывать разговоры, лекции, встречи, интервью. Достаточно зайти на сайт и нажать на красный значок записи. Говорить нужно четко и разборчиво.
Speechlogger можно использовать на любом устройстве. Встроенный аудиоплеер позволяет пользователям с легкостью слушать, приостанавливать и перематывать аудиозаписи. Сервис считается безопасным благодаря сквозному шифрованию и строгой политике конфиденциальности.
Riverside
Нейросеть для преобразования аудио файлов с автоматической транскрипцией на 100 различных языках и идиомах. Можно записывать видео в формате до 4K с чистым звуком независимо от качества интернет-соединения или подключения других участников встречи. После окончания звонка AI начнет автоматически расшифровывать голосовую запись. Редактировать текст можно непосредственно во время расшифровки. Можно удалять слова, предложения и абзацы.
Стоимость
Подписка стоит от 15 долларов. Есть возможность бесплатно расшифровать два часа записи.
Поддерживаемые языки
Более 100 языков.
Возможности
- можно загрузить готовую запись — если запись была сделана через компьютер и гарнитуру, после загрузки записи вы не услышите сбоев, вызванных плохим подключением к Интернету;
- расшифровка голосовой команды или сообщения — можно записать интервью или лекцию;
- экспорт в удобном формате — получивший текст можно сохранить на компьютер, планшет или телефон;
- Magic Audio — улучшает звук одним щелчком мыши для поднятия записей до уровня студийного качества и экономии времени на постобработке;
- онлайн-редактор — быстро исправляет ошибки, допущенные во время преобразования голоса в текст.
Поддерживаемые форматы
Riverside легко интегрируется с такими платформами, как YouTube и различными социальными сетями. Поддерживает MP3, WAV, MP4 и MOV.
Тест работы
Для старта работы нужно загрузить запись в подходящем формате. Затем выбрать язык. Можно автоматически перевести данные на другой язык. Например, загрузить аудио на русском, а текст получить на английском. Пользователи отмечают точность этой нейронной модели и быстроту работы. Также большой плюс в том, что пользоваться продуктом можно бесплатно.
SaluteSpeech
Приложение для распознавания речи от Сбера. Есть возможность ввести текст и преобразовать его в аудио. Или же наоборот: загрузить запись голоса и на выходе получить готовый текст. SaluteSpeech часто применяют для создания субтитров расшифровки интервью и лекций.
Стоимость
Зарегистрированные пользователи могут пользоваться бесплатно. Лимиты: 100 минут распознавания речи и 200 000 символов для озвучки. В базовом тарифе синтез речи стоит 186 рублей за 1 000 000 символов.
Поддерживаемые языки
Русский, английский.
Возможности
- поддержка SSML (Speech Synthesis Markup Language) — языка разметки синтеза речи;
- создание естественной речи — постановка ударений, паузы, интонации;
- API синтез речи с помощью Postman;
- при распознавании звука есть функция разделения спикеров — в результате будут доступны отдельные звуковые дорожки;
- потоковое распознавание речи — удобно для протоколов телефонии или при длительной записи диалога.
Поддерживаемые форматы
MP3, FLAC, ALAW, MULAW, PCM_S16LE, M4A, MPGA, MPEG, MP4, WEBM
Тест работы
Достаточно перейти в личный кабинет и зарегистрироваться в Studio. Для каждого из проектов можно создать отдельную группу. Нужно только дать проекту название и нажать на кнопку «Создать проект». Для работы понадобится токен — Access Token. Его тоже можно сгенерировать в личном кабинете. Для юридических лиц процесс регистрации сложнее: нужно будет также оформить оферту.
Teamlogs
Еще одна популярная в России платформа для расшифровки аудио файлов. Доступен перевод аудио в текст, также есть вариант перевода текстовой информации в звуковой формат. Создатели обещают, что платформа расшифрует один час подкаста за пять минут. Помимо скорости упор сделан на безопасность: файлы обрабатываются только на серверах Teamlogs.
Стоимость
Для всех пользователей бесплатно доступны 15 минут. Есть разные тарифы — в среднем нужно платить от пяти рублей за минуту.
Поддерживаемые языки
Русский и английский.
Возможности
- корпоративный профиль для работы в команде;
- нет ограничений по длительности медиафайла: только по размеру — 1,5 Гб;
- помимо аудио формата текст можно преобразовать и видео;
- автоматическая расстановка тайм-кодов.
Поддерживаемые форматы
MP3, M4A, OGG, FLV, AVI, WAV, MOV, WMV, WEBM, FLAC, WMA, AAC, MP4, MKV
Тест работы
Нужно пройти регистрацию, а затем загрузить файл с записью. Обработка занимает от 5 до 10 минут. Сервис самостоятельно определяет количество спикеров, но можно и самому указать этот параметр.
Voicemaker
Бесплатный сайт для конвертации текста в речь. Он использует механизмы Neural TTS (NTTS) и Standered TTS, а также искусственный интеллект (AI) и машинное обучение (ML). Сервис предлагает более 1000 голосов, сгенерированных искусственным интеллектом на более чем 130 языках и диалектах. Благодаря этому пользователи могут создавать естественно звучащие голоса для разных целей.
Стоимость
В бесплатном тарифе доступно до 250 символов за конвертацию. После регистрации открывается доступ к бесплатному тарифу с 100 конверсиями в неделю. Чтобы получить полный доступ к функциям, необходимо приобрести базовый, премиальный или бизнес-тариф. Стоимость — от пяти долларов.
Поддерживаемые языки
Приложение поддерживает более 130 языков по всему миру. Это английский, испанский, немецкий, голландский, датский, французский, индийский, итальянский, исландский, японский, польский, португальский, русский, турецкий, вьетнамский, корейский, норвежский, португальский, бразильский.
Возможности
- широкий диапазон голосов и языков обеспечивает локализацию контента;
- сохранение авторских прав на созданные аудио файлы даже после истечения срока действия подписки;
- возможность изменять высоту, скорость и громкость голоса;
- возможность добавления звуковых эффектов и фоновой музыки.
Поддерживаемые форматы
Готовый файл можно скачать в формате MP3 или WAV.
Тест работы
В текстовом поле на главной странице введите или вставьте текст, который вы хотите преобразовать в речь. Обязательно используйте знаки препинания, чтобы получить правильные звуковые выражения. Над редактором можно выбрать голос и язык, нужно нажать кнопку «Изменить». Важно вводить текст на том языке, на котором нужна аудиозапись.
Создатели продукта советуют использовать голоса AI3. Они тщательно протестированы и обеспечивают наилучшее качество звука.
VoxWorker
Платформа позволяет быстро переводить текст в речь. Сервис бесплатный, на выбор доступно более 10 голосов. Для обеспечения безопасности готовые тексты не сохраняются. Голосовые файлы удаляются с сервера.
Стоимость
Бесплатно можно озвучивать до 5000 символов в день. Далее стоимость 1000 символов начинается с одного рубля.
Поддерживаемые языки
Русский и английский.
Возможности
- соблюдение интонации, паузы;
- возможность редактировать готовый файл;
- разные голоса на выбор: мужские, женские, выбор тембра и высоты.
Поддерживаемые форматы
Готовый файл можно скачать в формате mp3.
Тест работы
На главной странице вставьте текст в окно. Выберите голос озвучивания, скорость и высоту голоса. Готовый вариант можно прослушать и сразу же скачать.
Zvukogram
Российская платформа, позволяющая быстро озвучить текст. Основные плюсы: понятный интерфейс, быстрое преобразование и расширенные настройки голоса.
Стоимость
Для бесплатного использования доступен обычный голос для текстов длиной 10 000 символов. Расширенный пакет голосов можно применить к текстам до 2000 знаков. Есть и платные тарифы — их стоимость начинается от 200 рублей.
Поддерживаемые языки
Более 150 языков. Среди них русский, английский, турецкий, китайский, корейский, латышский, казахский, итальянский, болгарский, греческий.
Возможности
- есть телеграм-бот для ускорения поиска по базе звуков;
- можно конвертировать видео с Youtube в аудиофайлы;
- всего в библиотеке более 95 000 звуков.
Поддерживаемые форматы
Mp3, wav, ogg.
Тест работы
На главной странице нужно вставить текст и выбрать язык озвучивания. Затем подобрать диктора, высоту его голоса. Внизу вы увидите кнопку «Озвучить текст».
Uberduck
Нейросеть не поддерживает русский язык. Зато Uberduck AI позволяет пользователям создавать музыку с помощью искусственного интеллекта, включая вокал и рэп. Можно выбирать из различных битов и голосов или даже создать собственный.
Стоимость
Бесплатно можно использовать более 4000 голосов, сохранять пять дорожек и иметь доступ к 300 кредитам рендеринга в месяц. 300 кредитов рендеринга — это пять минут аудио или две минуты 30 секунд видео.
Платные тарифы стоят от 10 до 60 долларов.
Поддерживаемые языки
Более 25 языков.
Возможности
- создание электронной музыки с нуля;
- интеграция с различными социальными сетями;
- дополнительные голосовые функции: клонирование голоса и студия прослушивания;
- добавление музыки и настройка озвучивания.
Поддерживаемые форматы
Uberduck поддерживает MP3 и WAV.
Тест работы
Шаг 1: Откройте сайт Uberduck.ai.
Шаг 2: Зарегистрируйте учетную запись или войдите в систему.
Шаг 3. Выберите желаемый инструмент искусственного интеллекта (например, преобразование текста в речь, клонирование голоса).
Шаг 4: Введите текст или загрузите аудиофайл.
Шаг 5: Настройте параметры и предпочтения по мере необходимости.
Шаг 6. Создайте и загрузите контент, созданный ИИ.
Speechmatics
Speechmatics применяет технологию автоматического распознавания речи (ASR). Их программное обеспечение использует алгоритмы машинного обучения для расшифровки речи из аудио- или видеофайлов в текст.
Технология компании может расшифровывать речь на различных языках и с разными акцентами. Ее используют для расшифровки телефонных звонков, встреч, лекций и подкастов, а также создания субтитров для видео. Speechmatics также предлагает и другие услуги, связанные с речью: голосовую биометрию и идентификацию говорящего.
Стоимость
Восемь бесплатных часов в месяц. Четыре часа пакетной обработки + четыре часа в режиме реального времени также дают бесплатно. В платных тарифах стоимость часа записи от одного доллара.
Поддерживаемые языки
Поддержка транскрипции на 50 языках (включая местные диалекты и акценты) с автоматическим определением языка.
Возможности
- автоматическое исправление ошибок;
- набор функций, который позволяет идентифицировать говорящих, добавлять свой словарный запас;
- унифицированное API — для начала понадобятся примеры кода и SDK. Транскрипция с низкой задержкой (<1 с);
Поддерживаемые форматы
MP3, M4A, OGG, FLV, AVI, WAV, MOV
Тест работы
Самый быстрый способ сделать расшифровку бесплатно — создать учетную запись Speechmatics и использовать демоверсию в браузере. Для этого понадобится API-интерфейс SaaS WebSocket Speechmatics Real-Time. Он поможет расшифровать голос в реальном времени.
Создайте учетную запись на портале Speechmatics On-Demand. Перейдите на страницу «Управление» > «Ключи API». Введите имя для своего ключа API и сохраните ключ API в безопасном месте. Приведенный пример поможет начать работу с использованием официальных библиотек Speechmatics CLI. Библиотеку Speechmatics Python и интерфейс командной строки можно найти на GitHub и установить с помощью pip:
pip3 install speechmatics-python
Расшифруйте файл в режиме реального времени с помощью библиотеки Speechmatics Python. Просто скопируйте свой ключ API и имя файла:
speechmatics config set --auth-token $API_KEY
speechmatics rt transcribe example.wav
Формат вывода Speech API — JSON. Предоставляются два типа расшифровок: окончательные расшифровки и частичные расшифровки. Какой из них вы решите использовать, будет зависеть от требований к задержке и точности. Окончательные стенограммы — это предложения или фразы, которые предоставляются через нерегулярные промежутки времени. После вывода эти стенограммы считаются окончательными. Впоследствии они не будут обновляться. Время вывода определяется автоматически механизмом Speechmatics ASR. На это влияют паузы в речи и другие параметры, приводящие к задержке между аудиовходом и выходом. Задержку по умолчанию можно настроить с помощью свойства max_delay в транскрипции_config при запуске сеанса распознавания. Окончательные расшифровки более точные, чем частичные.