Технологии изнутри: двухдвижковый TTS — системные голоса против локального ИИ

Каждый разум усваивает знания по-своему. Некоторые из нас — визуалы, которым нужно видеть точную структуру предложения, пунктуацию и разметку на странице, чтобы по-настоящему понять концепцию.

Другие лучше воспринимают информацию на слух, улавливая ритм, темп и интонацию человеческого голоса. Но обучение не бывает строго бинарным. Иногда хочется закрыть глаза и просто слушать в переполненном транспорте. В других случаях вы хотите объединить оба стиля: следить за текстом глазами, пока рассказчик читает вслух, чтобы глубоко зафиксировать концепции в памяти.

Чтобы поддержать это плавное сочетание визуального и аудиального обучения, цифровому убежищу нужен невероятно мощный аудиодвижок. Однако большинство приложений заставляют идти на компромисс: либо терпеть роботизированные системные голоса, либо передавать глубоко личные привычки чтения на дорогие, нарушающие приватность облачные серверы.

GemReader идет принципиально иным путем. Мы создали полностью автономную двухдвижковую архитектуру (Dual-Engine), которая дает вам лучшее из обоих миров, никогда не ставя под угрозу ваше фундаментальное право на конфиденциальность.

Объединив универсально доступные нативные движки устройства со встроенной локальной моделью нейросетевого ИИ, вы получаете полный контроль над звучанием ваших книг.

Наш первый уровень — это нативный TTS-движок устройства. Построенный непосредственно поверх платформы вашей операционной системы, он обеспечивает мгновенную генерацию речи с нулевой задержкой на более чем 12 международных языках.

Он не требует дополнительных загрузок и работает с невероятно низким потреблением памяти. Мы также разработали специальную систему асинхронного контроля событий для защиты от системных прерываний — поэтому, если поступает фоновый телефонный звонок, ваша книга элегантно ставится на паузу, а не пропускает случайно целые главы.

Этот движок идеально подходит для легкого, мгновенного прослушивания без помощи рук на любом изучаемом вами языке.

Для читателей, желающих теплоты и естественных интонаций человеческого рассказчика, мы интегрировали среду выполнения Sherpa-onnx, работающую на базе нейронной модели Piper LibriTTS-R.

Здесь и происходит настоящее волшебство. Этот движок дает вам доступ к более чем 900 различным профилям голосов (с несколькими дикторами), позволяя выбрать точный тон и высоту для вашего учебного сеанса. И поскольку он использует оптимизированный конвейер потоковой передачи с низкой задержкой и умным разделением на предложения, звук начинается почти мгновенно.

Самое главное, этот нейросетевой ИИ на 100% автономен. Синтез речи происходит целиком на процессоре вашего телефона. Никакие фрагменты аудио, текстовые данные или привычки прослушивания никогда не передаются на внешние серверы.

Независимо от того, читаете ли вы на скорости 2.0x или замедляетесь до 0.75x, чтобы освоить фонемы нового сложного языка, оба движка адаптируются динамически. Наш локальный ИИ даже имеет функцию коррекции высоты тона в реальном времени, поэтому изменение скорости никогда не искажает естественный голос рассказчика.

Имея эту двухдвижковую основу, вы можете плавно переключаться между визуальным чтением, чистым аудиальным прослушиванием или мощным синхронным сочетанием обоих форматов — и всё это в безопасности вашей личной автономной библиотеки.