Белорусский цифровой голос больше не будет резать слух неправильными ударениями. Нейросеть наконец научили отличать «мУку» от «мукІ»

Как сообщают создатели открытого проекта BelVoice в своем телеграм-канале,

главным препятствием для качественного преобразования текста в речь (Text-to-Speech) оставались омографы. Это слова, имеющие одинаковое написание, но разное ударение: например, «мУка» и «мукА», «вУчыць» и «вучЫць», «гАды» и «гадЫ».

Традиционные алгоритмы использовали наиболее частотный вариант из словаря полностью без учета контекста. Такой подход обеспечивал точность около 92 %. На первый взгляд цифра кажется высокой, однако для синтеза речи это критический недостаток: восьмипроцентная погрешность означает, что

практически в каждом абзаце система делала фонетическую ошибку, которая немедленно выдавала искусственность голоса и резала слух пользователю.

Для решения семантической задачи исследователи интегрировали в процесс большие языковые модели (LLM). Оптимальным решением стала архитектура цифрового анализа с распределением ролей. Сначала мощная нейросеть (например, Gemini Pro 3.1) обрабатывает данные из Грамматической базы и Толкового словаря белорусского языка. На основе этого массива создается оптимизированный промпт с четкими правилами и логическими маркерами для меньшей инференс-модели, которая уже непосредственно работает с текстом пользователя.

Все технические инструкции по построению этого алгоритма разработчики открыто разместили на платформе GitHub.

Выбор финальной модели для проекта проводился на трех специализированных датасетах: базе CommonVoice, синтетическом сбалансированном наборе 10/10 и первых пятнадцати главах книги Аркадия Чернышевича «Засценак Малінаўка» с полностью ручной разметкой ударений. Подробные результаты исследований опубликованы на платформе Hugging Face.

Лучшее соотношение скорости и качества продемонстрировала модель Gemma 4‑31B без включения функции рассуждения, которая чрезмерно замедляет работу. На выборке из 1090 сложных омографов в естественном литературном тексте система допустила всего три ошибки, достигнув точности в 99,72 %.

Функция рассуждения (Reasoning) — режим работы искусственного интеллекта, при котором он не выдает ответ моментально, а сначала проводит внутренний пошаговый логический анализ. Это немного повышает точность, но катастрофически замедляет скорость работы (до минуты на один запрос), поэтому для быстрой озвучки текстов этот режим отключают.

Для сравнения, конкурентная модель Qwen3. 8‑27B на том же объеме данных ошиблась 25 раз, а Mistral-small-4 сделала 182 ошибки с итоговой точностью около 83 процентов.

• 7
• 0
• 0
• 0
• 0
• 0
• 0
• 0