Text-to-Speech (TTS)

In einem Telefonassistenten ist TTS der letzte Schritt: Das Sprachmodell liefert einen Antworttext, die Sprachausgabe macht daraus Audio. Moderne Verfahren erzeugen die Stimme mit neuronalen Netzen und klingen deutlich natürlicher als frühere, aus Lautbausteinen zusammengesetzte Stimmen.

Für Telefonate zählen drei Eigenschaften: wie schnell die ersten Silben zu hören sind, wie die Stimme Zahlen, Namen und Abkürzungen ausspricht und ob Betonung und Pausen zum Inhalt passen. Getestet wird das am besten mit echten Sätzen aus dem Betrieb, etwa Adressen, Uhrzeiten und Produktnamen. Stimmen unterscheiden sich außerdem je Sprache; eine Stimme, die auf Englisch überzeugt, kann auf Deutsch einen Akzent haben.