Karakterhangokkal gazdagítja az Audible az audiokönyveket
Az Audible szerint a hallgatók most már karakter-specifikus, kifejező hangokkal élvezhetik az audiokönyveket, mivel a vezérelhető TTS rendszer 97 % pontossággal profilozza a szereplőket angolban és 94 %-ot spanyolban.
A rendszer a beszédképességet természetes-nyelvű feliratokkal irányítja, például „whispering nervously” vagy „shouting in anger”. A dialógus-különböztetést 3,7 ponttal javította az MUSHRA teszten – írja az Audible Tech Blog. (Amazon Science)
Adat-szintézis csővezeték
Az Audible egy új adat-szintézis csővezetékkel hoz létre beszédadatokat, melyekhez magas színvonalú leírások kapcsolódnak. A folyamat két lépést kombinál: szakértő-modellek és jel-feldolgozó algoritmusok által kinyert jellemzők LLM-ekkel való átalakítása, valamint egy beszéd-captioner, amely a hangot visszafejti és leírássá alakítja. A generált adatok folyamatosan finomítják a kezdeti modell-ciklust, így egy önfenntartó szintetizáló adat-forgást hozva létre.
Karakterprofilozó BookLLM
A BookLLM komponens LLM-eket használ a könyvben szereplő egyedi karakterek azonosítására, és a személyiség, kor, nem vagy szerep alapján határozza meg a hangjellemzőket. Az Audible szerint a rendszer 97 % pontossággal azonosítja a szereplőket angol nyelven, 94 %-os pontossággal spanyol nyelven, és a könyv szintjén rögzíti a hangprofilokat a konzisztens megjelenés érdekében.
Hallgatói élmény javulása
Az új TTS megoldás statisztikailag szignifikáns hallgatói élmény-növekedést eredményez nyolc a tíz tesztelt hang közül, mind angol, mind spanyol nyelven. A karakter-specifikus hangprofilok következetes alkalmazása csökkenti a monotonitást, és a hosszú, 10-15 órás könyvek esetén is fenntartja a narráció koherenciáját.
Az Audible 2026. október 23-án mutatta be a rendszert, amely mostantól elérhető a platformon.