Развитие голосовых интерфейсов смещает фокус с простого озвучивания текста на синтез разговорной речи в реальном времени. В публичном поле появилась информация о модели Lightning 5 3.1 Pro от стартапа Smallest AI, ориентированной на использование в телефонных ботах и автономных ассистентах.
В авторском обзоре заявлены поддержка тридцати одного языка, потоковый интерфейс с низкой задержкой и субъективная оценка качества речи на уровне 3,89 MOS (Mean Opinion Score). Метрика MOS отражает средний балл восприятия естественности слушателями по пятибалльной шкале. Однако без публикации официального протокола тестирования — числа респондентов, тестируемых языков и набора реплик — заявленную цифру нельзя трактовать как независимый эталон индустрии.
При создании прикладных голосовых систем синтез речи составляет лишь часть цепочки наряду с распознаванием и языковой моделью. На практический результат влияют задержка до первого звука, чистота интонаций и реакция на перебивание. Внедрение подобных решений требует валидации на целевом языке, а клонирование голоса — документального согласия правообладателя и защиты записей.
