На конференции Interspeech 2021 Nvidia представила новую технологию, позволяющую синтезировать реалистичную человеческую речь.

Чтобы нейросеть нельзя было отличить от живого человека, компания создала несколько моделей преобразования текста в речь. Одна из них, ведущая, получила название RAD-TTS.

Технология позволяет обучать модель синтеза речи с помощью собственного голоса. Это даёт ей данные о тональности, тембре и других индивидуальных характеристиках. В итоге нейросеть сможет заговорить любым голосом, просто зачитав готовый текст.

В компании добавили, что их разработка будет полезна, например, для воссоздания голоса знаменитости. Либо она может стать помощником для людей с функциональными нарушениями голоса. 

Испытать некоторые обученные модели можно через инструментарий Nvidia.