T
Text-to-Speech
Также известен как: TTS, Синтез речи, Speech Synthesis
Генеративный AIОпределение
Text-to-Speech (TTS) — технология преобразования текста в естественно звучащую речь с помощью нейронных сетей.
Простое объяснение
TTS — как профессиональный диктор, который может прочитать любой текст естественным голосом. Только этот диктор — искусственный интеллект.
Подробнее
Современные TTS системы используют нейросети для генерации речи, неотличимой от человеческой. ElevenLabs позволяет клонировать голос по нескольким секундам записи. OpenAI TTS предлагает несколько естественных голосов через API. XTTS, Bark, Tortoise — открытые альтернативы. Технологии включают: acoustic models (генерация mel-спектрограмм), vocoders (преобразование спектрограмм в аудио), prosody modeling (интонация, ритм). Применения: озвучка контента, accessibility, виртуальные ассистенты.
Связанные термины
Sora
Sora — модель генерации видео от OpenAI, способная создавать реалистичные видеоролики до минуты по текстовому описанию.
Gemini
Gemini — мультимодальное семейство AI-моделей от Google DeepMind, объединяющее понимание текста, изображений, аудио и видео.
DALL-E
DALL-E — модель генерации изображений от OpenAI, названная в честь художника Дали и робота WALL-E.
Diffusion Models
Диффузионные модели — класс генеративных моделей, которые учатся создавать данные путём постепенного удаления шума из случайного входа.