A Dippy integra um sistema de síntese de fala neural de ponta a ponta com arquitetura aprimorada WaveNet++ para atingir uma pontuação média de qualidade de voz MOS de 4,7 (próxima ao nível 5 de uma pessoa real). O sistema suporta a conversão em tempo real de 9 tons emocionais, com latência controlada em 800 ms, atingindo os padrões de chamada de nível de operadora. Seu inovador algoritmo de previsão antecipada pode prever o fim da fala do usuário e obter uma comutação de voz com latência quase zero.
Os principais avanços tecnológicos incluem:
- Ajuste de rima com reconhecimento de contexto: correspondência automática da velocidade e da entonação da fala com base no conteúdo do diálogo
- Codificação híbrida para multilinguismo: rumo à pronúncia natural de enunciados mistos em chinês e inglês
- Redução aprimorada de ruído ambiente: mantém a precisão de reconhecimento do 90% em um ruído de 85 dB
Os dados da pesquisa com usuários mostram que o tempo de interação por voz é 3,2 vezes maior do que o de texto, sendo que a proporção de uso noturno chega a 67%, confirmando seu valor central como uma ferramenta de companhia emocional.
Essa resposta foi extraída do artigoDippy: uma ferramenta interativa para conversar com personagens de IAO
