Patientdesk.ai запустила две голосовые модели, предназначенные для турецкого языка: Alania для преобразования текста в речь и Duyu для преобразования речи в текст. Обе модели можно использовать через одну учётную запись и один ключ API, а в рамках стартового предложения предоставляется бесплатный период использования продолжительностью один месяц с даты регистрации.
Модели, разработанные с учётом особенностей турецкого языка
Компания заявляет, что разработка моделей началась с проблемы зависимости многих решений для голосового ИИ преимущественно от англоязычных данных. Она добавляет, что агглютинативная природа турецкого языка, имена собственные, низкое качество звука в телефонных звонках, а также произношение адресов электронной почты и телефонных номеров создают практические трудности для универсальных моделей.
Patientdesk.ai использовала свой опыт разработки голосового помощника, отвечающего на звонки в клиники в США, а затем обучила Alania и Duyu с акцентом на использование в турецком языке.
Показатели Duyu при преобразовании речи в текст
Согласно опубликованным компанией данным, Duyu показала уровень ошибок в словах 4,71% в открытом турецком тесте FLEURS по сравнению с 5,04% у модели Whisper large-v3 от OpenAI в том же тесте.
Во внутреннем наборе тестов, включавшем аудио телефонного качества и разговоры с упоминанием адресов электронной почты и телефонных номеров, Duyu продемонстрировала уровень ошибок 9,87%, тогда как компания сообщила о показателе 10,4% для модели ElevenLabs Scribe v2 на том же наборе. В материале не уточняются размер тестового набора или его методология, поэтому сравнение следует воспринимать как опубликованные компанией результаты, а не как комплексную независимую оценку.
Duyu может обрабатывать записанные аудиофайлы и преобразовывать живые разговоры в текст в реальном времени, что делает модель подходящей для приложений мгновенной транскрипции и голосовых звонков.
Alania и потоковая передача аудио с низкой задержкой
Alania ориентирована на чтение турецких текстов одним последовательным и естественным голосом. Модель может отправлять аудио в виде потока до завершения предложения, что подходит для телефонных звонков и голосовых помощников, чувствительных к скорости отклика. В настоящее время платформа предоставляет один голосовой вариант, а также варианты интонации, связанные с такими контекстами, как встречи, вопросы и успокоение.
Интеграция с API и открытый исследовательский проект
Обе модели совместимы с распространённым форматом OpenAI API, что позволяет разработчикам интегрировать их в существующие приложения с небольшими изменениями. Patientdesk.ai также предоставляет возможность тестировать модели через браузер и создавать ключи API.
Параллельно компания опубликовала Antalia-1 как экспериментальную модель с открытым исходным кодом для преобразования турецкого текста в речь. В выпуск входят веса модели, её код, технический отчёт и около пяти часов турецких аудиоданных. Компания отделяет этот исследовательский проект от своих коммерческих продуктов.
Что меняется на практике?
Запуск предоставляет разработчикам вариант, ориентированный на конкретные сценарии использования турецкого языка, особенно на звонки и данные, содержащие номера и адреса электронной почты. Однако опубликованных сравнений недостаточно, чтобы самостоятельно судить о качестве во всех средах, а наличие только одного голоса в Alania в настоящее время ограничивает гибкость использования. Antalia-1 предоставляет исследователям отправную точку, доступную для изучения и дальнейшего развития, при этом оценка производительности и практические условия лицензирования остаются за пределами подробностей, приведённых в материале.