یکی از چالشهای بزرگ سیستمهای تبدیل متن به گفتار (TTS)، اشتباه خواندن کلمات خاص، اسامی علمی یا واژگان فنی است. محققان به تازگی سیستم نوآورانهای به نام GRAFT را معرفی کردهاند که این مشکل را حل میکند.
ویژگیهای کلیدی GRAFT:
✅ دقت بالا: امکان کنترل دقیق تلفظ کلمات از طریق یک نمونه صوتی کوتاه.
✅ هوشمند: این سیستم میتواند تلفظ صحیح یک کلمه خاص را از یک صدا بگیرد و آن را با صدای اصلی گوینده ترکیب کند.
✅ عملکرد خیرهکننده: نتایج نشان میدهد که این مدل توانسته خطای تلفظ کلمات دشوار را بین ۲۲ تا ۳۹ درصد کاهش دهد و در تستهای انسانی نیز رتبه اول را کسب کند.
این فناوری گام بزرگی برای تولید دستیارهای صوتی است که کلمات را دقیق و طبیعیتر از همیشه بیان میکنند! 🤖✨
منبع: arXiv Machine Learning