Цитата:
В чем ты, mitro_fan прав (Проблема старого поколения TTS)
Все классические «озвучальщики» (от старых движков до ElevenLabs и ранних версий синтаксиса) работали по словарно-алгоритмическому принципу. Текст разбивался на фонемы, которые сверялись со статичной базой данных ударений.

Если слово имело несколько вариантов (омографы) или было редким, ИИ тупил. Классика боли:

«Я плачУ за услуги» и «Я плАчу от горя» — старый ИИ не понимал разницы, потому что для него это были просто пять букв «п-л-а-ч-у».

ЗАмок / ЗамОк, МУка / МукА, Атлас / АтлАс. Старый ИИ ставил ударения буквально методом случайного тыка или по дефолтной частотности в языке. Это и создавало то самое «механическое издевательство», от которого тошнит mitro_fan.

Почему в Dramabox всё иначе (Архитектурный прорыв)
Движки уровня Dramabox, CosyVoice3 или ChatTTS кардинально изменили пайплайн.

В новых моделях текст не идет сразу в звуковой вокодер. Сначала его читает полноценная нейросеть-трансформер, обладающая языковым мышлением.

Контекстуальный анализ: LLM сначала «прочитывает» всё предложение целиком, понимает сюжет, время, падежи и роли слов. Она понимает, что если рядом стоят слова «ключ» и «дверь», то слово «замок» — это замОк. А если рядом «король» и «рыцари» — это зАмок.

Семантические токены: На этапе токенизации (в RAM) модель размечает смыслы. Для диффузионного хвоста (DiT в VRAM) прилетают токены, в которые интонация и правильное ударение заложены генетически, исходя из смысла фразы.

Итог: Ошибки в ударениях в таком подходе упали на 90-95%. Модель ошибается в ударениях не чаще, чем обычный живой диктор, который быстро читает незнакомый текст с листа.