Сумма: 0
Количество заявок: 0
12.11.26 (включительно)
Договор, условия по итогам рассмотрения технических и коммерческих предложений
MVP
Задачи ИКТ
Медиасфера
Виртуальный ведущий
Цель и описание задачи (проекта)
Ищем модель синтеза речи на казахском и русском языках для голосового агента, который ведёт исходящие звонки клиентам финансовой организации. Модель должна звучать естественно в телефонном канале, без ошибок читать суммы в тенге, даты и проценты в нужном падеже, переключаться между казахским и русским внутри одной фразы и правильно произносить казахские имена. Нужна возможность дообучения: создать новый голос по 1–3 часам студийных записей диктора и адаптировать произношение к нашей лексике без участия исполнителя. Работа на собственном сервере с GPU, без облака, потоковая выдача звука с задержкой первого фрагмента не больше 300 мс. Результат: модель, сервис с API, пайплайн дообучения, исходный код и документация. Подробные требования — в техническом задании.
ПО/ИС
Голосовой агент уже распознаёт речь и ведёт диалог на двух языках, узкое место — синтез. Готовых голосов на казахском мало, мужского голоса нужного качества у нас нет: агент по сценарию мужского рода, а говорит женским голосом. Универсальные модели путают падежи в числительных («пять тысяч тенге», «бес мың теңге»), запинаются на переходе с русского на казахский и плохо звучат на частоте телефонии 8 кГц. Облачные сервисы не подходят: в репликах есть персональные данные и суммы задолженности, а передавать их за пределы своего контура мы не можем.
Голосовой агент говорит естественным голосом нужного пола на казахском и русском, без ошибок называет суммы, даты и имена и не спотыкается на переходе между языками. Разговор звучит как с человеком, поэтому клиенты реже прерывают звонок в первые секунды и чаще доходят до договорённости об оплате. Новый голос или новая лексика добавляются силами нашей команды за дни, без исполнителя. Синтез работает на нашем сервере, персональные данные не покидают контур компании. Критерии приёмки: естественность звучания (MOS) не ниже 4,0 по каждому языку и голосу по оценке не меньше 20 носителей; не меньше 99% из 500 контрольных фраз с суммами, датами и именами прочитаны без ошибок; не больше 2% ошибок на фразах со смешением казахского и русского; первый фрагмент звука не позже 300 мс при 20 одновременных звонках на одном GPU; новый голос по 2 часам записей обучается не дольше 24 часов. Эффект для бизнеса оцениваем на пилоте: доля звонков, прерванных в первые 10 секунд, и доля договорённостей об оплате до и после замены синтеза. Подробности в приложенном ТЗ.
Водяников Андрей
Примечание
Рассматриваем готовые модели с локальным развёртыванием и правом коммерческого использования, а также разработку и дообучение под заказ. Логика диалога, распознавание речи и телефония в задачу не входят — они у нас есть.
Whatsapp
