Распознавание речи в телефонии и в приложениях для информационных и справочных служб (так называемых контакт-центров, или call-центров) — это сегодня уже широко распространенная промышленная технология, которая применяется во многих современных мобильных телефонах и в справочных службах.

Интеллектуальные речевые решения, позволяющие автоматически синтезировать и распознавать человеческую речь, являются следующей ступенью развития интерактивных голосовых систем (IVR). Использование интерактивного телефонного приложения в настоящее время не веяние моды, а жизненная необходимость. Снижение нагрузки на операторов информационных служб и секретарей, сокращение расходов на оплату труда и повышение производительности систем обслуживания — вот только некоторые преимущества, доказывающие целесообразность подобных решений.

Сегодня в интерактивных телефонных приложениях все чаще используются системы автоматического распознавания и синтеза речи. В этом случае общение с голосовым порталом становится более естественным, так как выбор в нем может быть осуществлен не только с помощью тонового набора, но и посредством голосовых команд. При этом современные системы распознавания независимы от произношения, то есть распознают голос любого человека.

Основным преимуществом автоматизированных голосовых систем является их дружелюбность по отношению к пользователю — вопрошающий избавляется от необходимости продираться сквозь сложные и запутанные лабиринты голосовых меню. Теперь достаточно назвать цель звонка, после чего голосовая система автоматически переместит звонящего в нужный пункт (это могут быть, например, справочные службы, автоматизированные коммутаторы предприятий или системы телемаркетинга — обзвона клиентов, заказа билетов и т.д.).

Как показывает практика (и зарубежная, и отечественная), на самом деле клиенты обычно задают одни и те же опросы, поэтому можно довольно быстро подготовить исчерпывающий реестр ответов, которым вполне может опери­ровать компьютерная программа, обслуживающая многоканальный телефон. Примером может служить разработка фирмы Voice Control Systems (VCS) — плата распознавания голосовых команд Antares, способная обслуживать до 32 телефонных каналов единовременно.

Подобные функции служат и для голосового управления функциями телефонов и коммуникаторов в условиях ограниченного применения других интерфейсов. Многие пользователи мобильной связи давно получили возможность голосового набора в мобильных телефонах вместо ввода длинного ряда цифр или выбора опций из меню по заранее определенным ключевым словам, причем управляющие команды в современных телефонах также практически не зависят от произношения (голоса говорящего) и не требуют предварительной тренировки.

Автоматизированный диалог, в котором система расспрашивает абонента для осуществления дальнейшей навигации, является сегодня вполне обычным и отработанным подходом, и мы не стали бы рассматривать эти технологии так подробно, если бы не имели проблем в русскоговорящих системах. Ведь в то время, когда особо продвинутые контакт-центры на Западе поддерживают даже подобие естественного языка, на котором робот может легко ответить на вопрос и направить абонента в соответствующее место или сообщить ему необходимую информацию, у нас до сих пор распространены только системы, имеющие весьма ограниченные возможности и осуществляющие выбор из не слишком обширного списка вопросов-ответов. Однако и такие системы позволяют существенно повысить эффективность соответствующих служб и должны внедряться более активно. Также для управления мобильными устройствами люди все чаще используют голосовые команды, вызывают голосом абонентов из записной книжки, выбирают музыку из альбомов мобильного телефона или коммуникатора, а также широко пользуются голосовым управлением для ввода текста, когда посылают простые SMS-сообщения.

Дальнейшее развитие подобных систем, естественно, связывают с успехами в области распознавания живой речи, так же как и на настольных и мобильных компьютерах, хотя большая специализация телефонных систем позволяет меньше зависеть и от фоновых шумов, и от объема предикативного словаря, и от ясности речи говорящего, и от мощности обрабатывающего процессора. Так что и в настоящее время работа по расширению возможностей систем распознавания речи в телефонии и в приложениях для контакт-центров, увеличению их вариативности, а также ведению автоматизированных диалогов на языке, все более приближающемся к естественному, еще далека от завершения.

Успехи в области преобразования текста в живую речь в последнее время особенно впечатляют. Несмотря на то что роботизирован­ный звук все еще отличается от человеческой речи, применение синтеза уже ни у кого не вызывает отторжения, хотя, согласно многочисленным исследованиям, при бесстрастном и лишенном эмоциональной окраски произнесении текстов часть смысла теряется.

Сегодня системы синтезированной речи могут произнести SMS-сообщение на телефоне и письмо, присланное электронной почтой, озвучить указания автомобильной навигационной системы и даже заменить во многих службах оператора-человека. Во всем мире службы автоматического оповещения получили уже довольно широкое распространение, что по­зволяет говорить об этой технологии как о состоявшейся и даже в какой-то мере банальной. Однако положение с распространением этой технологии в России пока не позволяет нам забыть о ней и перестать следить за ее развитием, хотя бесстрастные телефонные голоса роботов-рекламщиков или напоминание должникам о просроченной задолженности по уплате за телефонные разговоры, наверное, слышали уже многие.

На российском рынке много так называемых локализованных систем подобного рода, в которых качество родной речи страдает. Однако в последнее время появляется все больше отечественных продуктов, которые несомненно найдут своего покупателя.

Sakrament TTS (Text-to-Speech) Engine — движок, осуществляющий качественный речевой синтез, — может использоваться и как отдельное приложение для озвучивания электронных текстов, и как универсальный речевой движок для других приложений, а также для интеграции с различ­ными информационными системами. Компания продает также SDK для разработчиков под различные платформы.

Система синтеза речи построена таким образом, чтобы сохранять речевые особенности того диктора, по записям которого создавалась акустическая база данных, что позволяет сделать речь синтезатора более «человеческой», а также обеспечить пользователей широким выбором отличающихся друг от друга голосов. Имеются системы автоматического синтеза и распознавания речи и у отечественных разработчиков, причем это направление в русскоязычной среде до сих пор является весьма актуальным.