Учёные Института системной инженерии и компьютерной лингвистики ИТМО вместе с MWS AI объявили о методе SEAM, который позволяет адаптировать модели синтеза речи под новые языки при меньшем объёме обучающих данных. По результатам испытаний, качество звучания достигается примерно за 25 часов аудиозаписей вместо ранее принятых 100, при этом проверку проводили на раздельной настройке для нескольких языков.

Обычно голосовые нейросети обучают на парах «текст — аудио». При нехватке подобных примеров модели сталкиваются с трудностями освоения произношения и сочетаний звуков, что может ухудшать качество синтеза. Проблема особенно заметна для языков, у которых нет больших размеченных наборов речи.

Суть SEAM в том, что новая языковая информация формируется на основе уже имеющихся знаний нейросети: новые звуковые элементы и произносительные конструкции строятся из знакомых компонентов с учётом фонетического порядка. Метод протестирован на трёх языках — русском, казахском и французском — с применением двух архитектур синтеза.

Разработка может найти применение в создании голосовых помощников, сервисов озвучивания и систем автоматизации клиентской поддержки, где требуется оперативно добавлять поддержку новых языков без значительной переобучаемости. В заявленных сценариях SEAM может ускорить развёртывание многоязычных функций.

На конференции EMNLP 2026, посвящённой обработке естественного языка, работы учёных получили внимание специалистов. Руководитель ИИ-лаборатории ИТМО Александр Бухановский отметил, что перенос накопленных знаний действительно снижает потребность в данных, хотя может приводить к искажением произношения и возникновению нестандартных языковых форм.