Синтез речи на AWS: интеграция Amazon Polly с Python и SSML

При интеграции голосового помощника на AWS многие клиенты сталкиваются с проблемой: стандартный синтез речи Amazon Polly для русского языка звучит неестественно. Neural TTS для ru-RU не поддерживается, а использовать западные акценты нельзя. Вдобавок, есть ограничение на длину текста — при синтезе через synthesize_speech можно передать не более 1500 символов. Мы решаем эти задачи с помощью SSML-разметки, асинхронной обработки через Lambda и S3, а также кастомных настроек проходии. За 5 лет работы мы реализовали более 50 проектов с TTS в облаке, и у каждого есть свои тонкости.

Как обойти ограничение Neural для русской речи?

Основной инструмент — SSML (Speech Synthesis Markup Language). С его помощью можно управлять паузами, темпом, ударениями и даже произношением отдельных символов. Например, если нужно, чтобы цифры произносились по порядку, используем <say-as interpret-as="digits">. А для создания естественных пауз — <break time="300ms"/>. Вот пример разметки, которую мы применяем в продакшене:

<speak>
  Здравствуйте! Ваш заказ <break time="300ms"/>
  номер <say-as interpret-as="digits">12345</say-as> готов.
  <prosody rate="slow">Пожалуйста, проверьте данные.</prosody>
</speak>

Это позволяет приблизить звучание к человеческому даже на стандартных голосах. По данным документации AWS, SSML корректирует интонацию лучше, чем просто изменение параметров voice. Для русского языка доступны два голоса:

Для сравнения, Azure Neural TTS поддерживает русский, но его стоимость примерно в 2–3 раза выше при аналогичном объёме. Amazon Polly с SSML даёт 80% качества Azure за меньшую цену.

Почему стоит выбрать интеграцию через Lambda и S3?

Мы используем связку Lambda + S3 для масштабируемой и доступной по цене синхронизации. Клиент отправляет текст — функция Lambda синтезирует речь через boto3 и сохраняет файл в S3. Пользователь получает ссылку с Presigned URL для прямого скачивания. В случае с длинными текстами запускаем асинхронную задачу start_speech_synthesis_task — это экономит ресурсы и не бьёт лимиты Lambda по времени.

import boto3

polly = boto3.client('polly', region_name='us-east-1')

def synthesize_speech(text: str) -> bytes:
    response = polly.synthesize_speech(
        Text=text,
        OutputFormat='mp3',      # mp3 | ogg_vorbis | pcm | json
        VoiceId='Tatyana',       # Maxim | Tatyana для ru-RU
        LanguageCode='ru-RU',
        Engine='standard',       # standard | neural (не для ru-RU)
        SampleRate='22050',      # 8000 | 16000 | 22050
        TextType='text',         # text | ssml
    )
    return response['AudioStream'].read()

# SSML синтез
ssml_text = """
<speak>
  Здравствуйте! Ваш заказ <break time="300ms"/>
  номер <say-as interpret-as="digits">12345</say-as> готов.
</speak>
"""
response = polly.synthesize_speech(
    Text=ssml_text,
    TextType='ssml',
    OutputFormat='mp3',
    VoiceId='Tatyana',
)

Для длинных текстов:

# Для длинных текстов — async task в S3
response = polly.start_speech_synthesis_task(
    Text=long_text,
    OutputFormat='mp3',
    VoiceId='Tatyana',
    OutputS3BucketName='my-tts-bucket',
    OutputS3KeyPrefix='audio/'
)
task_id = response['SynthesisTask']['TaskId']

Как SSML помогает на практике: кейс с образовательными видеолекциями

В одном из проектов — озвучка образовательных видеолекций — с помощью кастомных SSML-шаблонов мы улучшили разборчивость чисел и формул на 30% без использования Neural голосов. Для этого настроили произношение специальных символов: <say-as interpret-as="digits"> для номеров, <phoneme alphabet="ipa" ph="pi">π</phoneme> для греческих букв, а также <prosody rate="85%"> для медленного проговаривания сложных терминов. Это позволило сохранить низкую стоимость (стандартный синтез) при высоком качестве восприятия.

Что такое SSML: основные элементы для синтеза речи

Эти теги помогают обойти ограничения стандартных голосов и сделать речь более естественной.

Что входит в работу по интеграции Amazon Polly

• Полный код интеграции с boto3, включая SSML-шаблоны
• Документация по архитектуре и вызову API
• Рекомендации по оптимизации стоимости с учётом вашего объёма
• Тестовый синтез на ваших данных для оценки качества
• Обучение команды (1 час онлайн) основам SSML и работы с Polly
• Пост-релизная поддержка 2 недели для оперативного решения вопросов

Процесс работы

1. Анализ: разбираем ваш сценарий — объём текста, нужные языки, требования к качеству.
2. Архитектура: проектируем схему — Polly + S3 + Lambda + CloudFront (опционально).
3. Реализация: пишем код на Python с boto3, настраиваем SSML для ваших текстов.
4. Тест: прогоняем на реальных данных, измеряем latency p99.
5. Деплой: разворачиваем в вашем аккаунте AWS, выдаём доступы.

Сроки: от 2 до 5 рабочих дней в зависимости от сложности. Стоимость рассчитывается индивидуально.

Гарантия результата и поддержка

Мы занимаемся интеграцией AWS и TTS более 5 лет, все инженеры сертифицированы. Предоставляем полную документацию и готовые скрипты, чтобы вы могли обслуживать систему самостоятельно. Обучаем команду работе с Polly и SSML, помогаем с отладкой на этапе тестирования. После завершения проекта вы остаётесь с работающим решением и ясным пониманием его архитектуры.

Хотите оценить качество синтеза на своих данных? Свяжитесь с нами — мы подготовим демо-пример и рассчитаем оптимальную конфигурацию под ваш сценарий. Закажите консультацию, чтобы обсудить детали.

Распознавание и синтез речи: ASR, TTS, клонирование голоса

Заказчик приходит с задачей: транскрибировать 40 000 часов колл-центра за неделю. Штатный облачный ASR (Google Speech-to-Text) выдаёт WER 28% на отраслевой лексике и стоит ощутимо дорого при таких объёмах. Задача — снизить WER ниже 10% и перейти на self-hosted инференс.

Типовые проблемы, с которыми приходят

WER не сходится к нужной метрике. Чаще всего виновата не архитектура, а данные: шумные аудио без нормализации уровня (-23 LUFS вместо стандарта), смешанные языки в одном канале, акцент, специфическая доменная лексика. Whisper large-v3 из коробки даёт WER 8–12% на чистом русском и проваливается до 25–35% на записях с PSTN-артефактами и узкополосным кодеком G.711.

Диаризация ломается при больше двух спикеров. pyannote/speaker-diarization-3.1 работает стабильно при 2–3 говорящих, но DER (Diarization Error Rate) растёт с 6% до 18–22% при 5+ участниках конференции. Проблема усугубляется перекрёстными репликами: по умолчанию min_duration_on=0.1 срезает короткие вставки.

Клонирование голоса — латентность или качество. XTTS v2 (Coqui) даёт натуральный голос, но при потоковой генерации stream_chunk_size=20 первый аудиочанк прилетает через 1.4–2.0 с — неприемлемо для интерактивных сценариев. StyleTTS2 и Kokoro быстрее, но требуют точной подготовки референсного аудио.

Как это решается на практике

Базовый стек для production-пайплайна:

• ASR: openai/whisper-large-v3 или faster-whisper (CTranslate2-бэкенд, x4 скорость vs оригинал)
• Диаризация: pyannote.audio 3.x + интеграция через whisperx для выравнивания по словам
• TTS: XTTS v2 для качества, Edge-TTS или Silero для низкой латентности
• Клонирование: XTTS v2 (3–6 с референсного аудио) или OpenVoice v2

Типичный пайплайн для колл-центра выглядит так: аудио из очереди Kafka → нормализация ffmpeg -af loudnorm до -23 LUFS → faster-whisper с beam_size=5, vad_filter=True → pyannote диаризация → постпроцессинг (пунктуация через deepmultilingualpunctuation) → запись в PostgreSQL с временными метками.

Кейс из практики. Финтех-компания с 12 000 звонков/день. Исходный WER на русском с банковской лексикой — 22% (Google STT). После fine-tuning whisper-medium на 200 часах размеченных записей через Hugging Face transformers + Seq2SeqTrainer с learning_rate=1e-5, warmup_steps=500 — WER упал до 7.3%. Инференс на одной A10G через faster-whisper с compute_type=float16 обрабатывает 40-минутный звонок за 55 секунд. Итоговая стоимость инференса — $0.0008/мин против $0.016/мин у облачного провайдера.

Дообучение Whisper на доменных данных

Когда общая модель не справляется, fine-tuning — первый инструмент. Минимальный датасет для заметного улучшения — 20–30 часов размеченного аудио в целевом домене. Разметку можно получить через итеративный процесс: прогнать через базовую модель → вручную исправить 10–15% ошибок → переобучить → повторить.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

Важно: при fine-tuning Whisper нужно замораживать encoder первые 1000 шагов (model.freeze_encoder()), иначе акустические признаки разъедутся раньше, чем decoder адаптируется к новой лексике.

Синтез речи: выбор под задачу

Для интерактивных ботов с требованием TTFB < 300 мс — Silero или Kokoro. Для озвучки контента, где важна натуральность — XTTS v2 с потоковой отдачей через WebSocket.

Процесс работы

Начинаем с аудит-сессии: берём 2–4 часа ваших записей, прогоняем через несколько моделей, замеряем WER/CER, смотрим на распределение ошибок по типам (лексические, акустические, язык). Это занимает 1–2 дня и сразу показывает, нужен ли fine-tuning или достаточно пост-обработки.

Далее — выбор архитектуры под ваш throughput: один GPU для 1000 мин/день или кластер с балансировщиком для 100 000+ мин/день. Деплой через Docker-контейнер с FastAPI или Triton Inference Server для батчированного инференса.

Сроки зависят от сложности: базовая интеграция готовой модели — 1–2 недели. Fine-tuning с подготовкой данных и валидацией — 4–8 недель. Полная разработка голосового пайплайна (ASR + диаризация + TTS + мониторинг) — 2–4 месяца.