Ученые из ИТМО и MWS AI представили метод SEAM, предназначенный для адаптации моделей синтеза речи к новым языкам. Разработка позволяет существенно сократить объем обучающих данных, необходимых для качественного обучения нейросетей.
Традиционное обучение голосовых моделей требует больших массивов пар «текст — аудио». Метод SEAM использует накопленные нейросетью знания, формируя новые языковые элементы из уже известных компонентов с учетом фонетики. Это решает проблему нехватки размеченных данных.
Эффективность подхода подтвердили на русском, казахском и французском языках с использованием двух архитектур синтеза. Эксперименты показали, что для достижения сопоставимого качества достаточно 25 часов аудиозаписей, тогда как стандартный метод требует 100 часов.
Результаты исследования приняты к публикации на конференции EMNLP 2026. Александр Бухановский, руководитель Института ИИ ИТМО, отметил, что перенос знаний снижает потребность в данных, но может провоцировать искажения произношения и появление нестандартных форм.
Технология может быть востребована при создании голосовых помощников, сервисов автоматической озвучки и систем клиентской поддержки, которым необходима оперативная интеграция новых языков.
