Как говорит искусственный интеллект и почему голос звучит как настоящий?

Здесь работают две отдельные системы. Первая решает, что сказать: языковая модель предсказывает подходящий ответ слово за словом, опираясь на закономерности, усвоенные при обучении на огромном массиве текстов. Она не думает в человеческом смысле, но благодаря масштабу обучения выдает связные и уместные по контексту фразы.

Вторая система превращает уже готовый текст в звук — это модель синтеза речи, обученная на десятках или сотнях часов записанной человеческой речи. Она генерирует аудио с нуля для каждой фразы, а не склеивает готовые записанные слова, поэтому и получаются естественные паузы, интонации и ударения, подстроенные под конкретное предложение. Ничего заранее не записано диктором, все звучит «вживую» в момент ответа.

Именно из-за этого качества голосовой синтез сегодня используют не только для голосовых помощников, но и для мошеннических звонков: голос можно подделать под конкретного человека по короткому образцу его речи, а на слух отличить подделку от настоящего голоса почти невозможно. Если звонящий со знакомым голосом просит срочно перевести деньги или назвать код из смс, это повод перепроверить личность собеседника другим способом связи, а не доверять голосу как раньше.

Для повседневного использования голосовых помощников поводов для тревоги меньше: разница в основном ощущается по мелочам — модель иногда неверно расставляет ударения в редких словах или спотыкается на числах и датах, произнося их слишком механически. Это нормально и постепенно исправляется с новыми версиями синтеза.