Syntezator mowy zamienia napisany tekst na mowę. Wklejasz zdanie, wybierasz głos, a po kilku sekundach masz nagranie audio, które brzmi jak lektor. Jeszcze kilka lat temu komputerowy głos brzmiał sztucznie i łatwo było go rozpoznać. Dzisiejsze głosy AI mają naturalną intonację, robią pauzy w dobrych miejscach i poprawnie czytają polskie zdania, więc firmy używają ich tam, gdzie wcześniej zamawiały nagranie u lektora.

My patrzymy na zamianę tekstu na mowę od strony telefonu firmowego. Każdy komunikat, który słyszy dzwoniący na Twoim numerze, od powitania po pocztę głosową, możesz przygotować syntezatorem mowy. Poniżej wyjaśniamy, jak to działa, czym lektor AI różni się od nagrania w studiu i jak napisać tekst, który dobrze brzmi w słuchawce.

Co to jest syntezator mowy (text to speech)

Syntezator mowy, po angielsku text to speech (TTS), to program, który czyta tekst na głos. Nazywa się go też lektorem AI albo generatorem głosu AI, bo głos nie pochodzi z nagrania człowieka, tylko powstaje na bieżąco z Twojego tekstu. Ten sam tekst możesz przeczytać różnymi głosami, męskim albo żeńskim, po polsku albo w innym języku.

Zamiana tekstu na mowę przydaje się wszędzie, gdzie treść często się zmienia albo gdzie nagranie w studiu byłoby za drogie. W firmie są to przede wszystkim komunikaty telefoniczne, filmy instruktażowe i materiały szkoleniowe. Syntezator mowy pomaga też osobom, które gorzej widzą albo mają dysleksję, bo tekst ze strony albo dokumentu mogą odsłuchać zamiast czytać.

Jak działa zamiana tekstu na mowę

Syntezator mowy pracuje w dwóch krokach. Najpierw analizuje tekst: rozpoznaje zdania, liczby, skróty i znaki interpunkcyjne, a potem ustala, jak każde słowo wymówić i gdzie położyć akcent. Liczbę 22 czyta jako „dwadzieścia dwa”, a po kropce robi dłuższą pauzę niż po przecinku.

W drugim kroku model AI tworzy z tego dźwięk. Nowoczesne głosy AI uczono na wielu godzinach nagrań prawdziwych lektorów, dlatego intonacja pytania brzmi inaczej niż intonacja zdania oznajmującego. W dobrym syntezatorze mowy możesz też zmienić tempo i ton głosu, a czasem głośność, zanim zapiszesz plik audio.

Do telefonu nagranie trzeba jeszcze przygotować w formacie, który dobrze brzmi w sieci telefonicznej. W CallFactory robimy to za Ciebie, więc nie zastanawiasz się, czy wybrać plik WAV, MP3 czy FLAC.

Lektor AI czy nagranie w studiu

Nagranie w studiu ma sens przy reklamie radiowej albo spocie wideo, gdzie liczy się konkretna barwa głosu i aktorska interpretacja. Przy komunikatach telefonicznych więcej waży to, czy tekst jest aktualny. Godziny otwarcia, długi weekend majowy, przeprowadzka biura, nowa opcja w menu: przy lektorze w studiu każda taka zmiana oznacza nowe zlecenie, płatność i kilka dni czekania.

Lektor AI czyta poprawiony tekst od razu. Dzięki temu dzwoniący słyszy aktualną informację, a komunikat brzmi tak samo jak poprzedni, bo używasz tego samego głosu. Jeśli masz już nagranie od lektora, nic nie tracisz: działa dalej i możesz je łączyć z komunikatami z syntezatora mowy.

Do czego firma używa syntezatora mowy

Na numerze firmowym głos AI czyta wszystkie komunikaty, które słyszy dzwoniący:

  • Komunikat powitalny: kim jesteś i w czym pomożesz, zanim zadzwoni telefon pracownika.
  • Menu głosowe (IVR): „W sprawie awarii wybierz 1, w sprawie oferty wybierz 2”.
  • Poczta głosowa: prośba o zostawienie wiadomości, gdy nikt nie odbiera.
  • Komunikat w kolejce i komunikat poza godzinami pracy, na przykład w święta.
  • Ton szeptany, który pracownik słyszy przed rozmową, żeby wiedział, na który numer ktoś dzwoni.

Jeśli masz numer za granicą, ten sam tekst przygotujesz w innym języku. Klient z Niemiec słyszy powitanie po niemiecku, a klient z Polski po polsku, choć oba numery prowadzisz w jednym panelu.

Poza telefonem firmy używają zamiany tekstu na mowę do filmów na YouTube, podcastów, audiobooków i szkoleń. Do takich długich nagrań potrzebujesz narzędzia lektorskiego z innym planem subskrypcji. Nasz asystent tworzy krótkie komunikaty telefoniczne, do 500 znaków każdy.

Zamiana tekstu na mowę w CallFactory w trzech krokach

Asystent zamiany tekstu na mowę działa w przeglądarce, bez instalowania aplikacji i bez karty kredytowej:

  1. Wklej tekst i wybierz głos. Wybierasz język, na przykład język polski, i jeden z głosów. W razie potrzeby zmieniasz tempo i ton.
  2. Odsłuchaj nagranie. Po kilku sekundach słyszysz wynik. Jeśli któreś słowo brzmi nie tak, poprawiasz tekst i generujesz nagranie ponownie, bez limitu.
  3. Wklej kod w ustawieniach. Do nagrania dostajesz kod, który wklejasz w powitaniu, menu głosowym albo poczcie głosowej. Od tej chwili słyszy go każdy dzwoniący.

Syntezator mowy jest bez dodatkowych opłat w każdym pakiecie, od Numeru firmowego po Obsługę klienta, a do wyboru masz ponad 99 języków i głosów. Ceny pakietów znajdziesz w cenniku.

Jak napisać tekst, który dobrze brzmi w telefonie

Głos AI przeczyta dokładnie to, co napiszesz, dlatego jakość głosu zależy w dużej części od tekstu:

  • Pisz bez literówek. Błąd w słowie zmienia wymowę, a dzwoniący słyszy go od razu.
  • Krótkie zdania. Dzwoniący nie wróci do początku zdania, więc jedno zdanie to jedna informacja.
  • Numery ze spacjami. Zapisz numer jako 22 123 45 67, a syntezator mowy przeczyta go w grupach, tak jak mówi człowiek.
  • Trudne słowa fonetycznie. Obcą nazwę firmy zapisz tak, jak się ją wymawia, żeby uzyskać dokładną wymowę.
  • Bez formatowania. Pogrubienia, emotikony i wypunktowania nie mają znaczenia dla głosu, więc wklej czysty tekst.
  • Wybierz głos do sytuacji. Odsłuchaj dwa albo trzy głosy AI i wybierz ten, który pasuje do Twojej firmy. Potem używaj go we wszystkich komunikatach.

Syntezator mowy a voicebot

Syntezator mowy czyta tekst, ale nie słucha dzwoniącego. Jeśli chcesz, żeby telefon odbierał automat, który rozumie pytanie i odpowiada, potrzebujesz voicebota AI. Voicebot łączy rozpoznawanie mowy, model językowy i syntezę mowy: słyszy pytanie, rozumie je i odpowiada naturalnym głosem.

Voicebot kosztuje 215 zł miesięcznie plus 1,50 zł za każdą minutę, w której mówi, i działa do pakietu od Centrali telefonicznej w górę. Jak brzmi taka rozmowa, sprawdzisz, dzwoniąc do jednego z naszych voicebotów demo, na przykład do Evy pod numerem 22 292 29 11.