Точная настройка интонации и пауз в TTS с SSML-разметкой

SSML разметка: почему синтез речи звучит роботом

Синтез речи ломается не на уровне звука, а на просодии. Движок разбивает фразу на синтагмы по знакам препинания и собственному словарю, и там, где человек понимает интонацию из смысла, машине подсказать нечем. Отсюда рубленые фразы, ударение в озвучке не на том слоге («зАмок» вместо «замОк»), слипшиеся слова на стыке предлога и существительного и паузы в речи там, где живой человек их не делает.

Хуже всего с неоднозначным текстом: аббревиатуры, числа, латиница внутри русской фразы, фамилии, топонимы, названия тарифов. Без явных правил движок прочитает «г.» как «год», а редкую фамилию — с ударением по умолчанию. Слушатель замечает это мгновенно, потому что речь он обрабатывает быстрее, чем осознаёт.

SSML разметка даёт ручки ровно на эти места: теги задают паузу и её длительность, ударение, темп, громкость и тембр отдельной фразы, подсказывают, как читать число или аббревиатуру, а словарь произношений закрепляет термины и имена собственные. Но разметка ради разметки звучит карикатурно — её строят под речевой сценарий: приветствие, подтверждение, отказ и справка получают разную интонацию синтеза речи.

В готовом продукте цена ошибки видна по поведению людей. Там, где естественность звучания хромает, растёт доля переспросов, слушатели бросают запись на середине и не доходят до нужного пункта голосового меню. Дальше разбираем, как это закрывается на уровне текста и настроек синтеза.

Что даёт управляемая интонация и расстановка пауз

Управление интонацией превращает озвучку из «читает текст» в «говорит по смыслу»: SSML-разметка задаёт темп, громкость и эмфазу на отдельном слове. Правка одного параметра слышна на конкретной реплике, поэтому доля фрагментов, уходящих на ручную переозвучку, падает в разы.

Расстановка пауз — отдельная работа, а не запятые из сценария. Короткая пауза внутри перечисления, длинная на смене смыслового блока, полная тишина перед ключевой цифрой. Реплика укладывается в хронометраж без подрезки и растягивания звука, и монтаж перестаёт быть обязательным этапом.

Словарь произношений фиксирует то, что синтез по умолчанию читает неверно: названия компаний, аббревиатуры, топонимы, числа в косвенных падежах. Один словарь на проект даёт единое звучание озвучки — диктор в основном ролике, голос в приложении и версия на другом языке произносят ключевые термины одинаково, без разнобоя между сериями.

На приёмке озвучки проверяем не «нравится или нет», а контрольные точки: совпадение ударений со смысловым разбором, длительность паузы в стыках, точность словаря на наборе сложных терминов. Скорость приёмки сценария растёт, потому что правки идут списком параметров, а не перезаписью дорожки целиком: согласование укладывается в одну итерацию вместо нескольких.

SSML разметка: режимы управления интонацией и паузами

Speech Synthesis Markup Language (SSML) — стандарт разметки для синтеза речи, который движки поддерживают лишь частично. Один и тот же файл на разных голосах даёт либо ровные паузы и верные ударения, либо игнорируется и ломает интонацию фразы.

Поэтому мы берём минимальный уровень вмешательства, достаточный для задачи, и заранее знаем ограничения каждого.

Границы возможностей синтеза проверяем до запуска: прогоняем эталонные фразы на всех голосах пула и слушаем стыки предложений. Разметку храним рядом с текстами — можно откатить версию или сменить голос, не переозвучивая сценарий. Такие прогоны занимают часы, а не дни, и снимают главный риск — «на тестовом голосе звучало хорошо».

Этапы внедрения: от аудита сценария до передачи правил

Порядок работ построен так, чтобы каждый этап оставлял проверяемый артефакт: разобранный сценарий, схему подачи, набор правил и запись-эталон. Мы не «докручиваем» голос в проде — все изменения идут через версии файла разметки, поэтому возврат к предыдущей интонации занимает минуты.

1. Аудит сценария. Читаем текст вместе с режиссёрской задачей: где смысловой акцент, где перечисление, где вопрос. Отмечаем места, где ровное чтение ломает смысл — слипшиеся пункты, аббревиатуры, числа и даты, которые звучат неверно.
2. Схема подачи текста. Сводим сценарий в таблицу «фрагмент → роль → поведение голоса»: темп, пауза до и после, сила акцента. Это карта, по которой пишутся правила; без неё разметка превращается в набор случайных вставок.
3. Настройка правил озвучки. Собираем шаблоны SSML под каждый тип фрагмента: паузы, ударения, темп, произношение чисел и сокращений. Проверяем на нескольких голосах и скоростях, чтобы правило не рассыпалось при смене диктора.
4. Прослушивание на реальных каналах. Телефонная линия, колонка, наушники: узкополосный канал съедает часть пауз, и это слышно только на устройстве. Правим там, где смысл теряется.
5. Приёмка на слух. Заказчик слушает эталонные фрагменты и ставит правки голосом — «здесь торопливо», «это звучит как вопрос». Каждую превращаем в конкретное изменение разметки.
6. Передача регламента. Отдаём документ с правилами, шаблоны, инструкцию по добавлению новых текстов и короткое обучение команды заказчика — дальше сценарии озвучиваются без нас.

Схемы просодии, шаблоны и регламенты в проекте

После сдачи проекта у заказчика остаётся не «настроенный голос», а рабочий контур: файлы правил, по которым озвучку можно менять своими силами. Всё, что выверено в SSML разметке, лежит рядом с текстами и версионируется вместе с ними — при обновлении сценария видно, какая правка к какому результату привела.

• Библиотека правил — типовые конструкции разметки под интонационные роли: вопрос, перечисление, акцент на числе, предупреждение, пауза перед ключевым словом.
• Шаблоны реплик — заготовки для повторяющихся сцен: приветствие, подтверждение, уточнение, сообщение об ошибке, завершение разговора.
• Словарь произношений — таблица «пишется / звучит»: аббревиатуры, латиница, единицы измерения, названия продуктов заказчика, которые синтезатор читает неверно.
• Карта просодии — границы темпа, высоты тона и длительности паузы для каждого сценария; выход за них ловится на приёмке, а не в готовом продукте.
• Регламент обновления озвучки — кто вносит правку, какие проверки прогоняются, как новая версия сравнивается с предыдущей и как откатиться.
• Документация по озвучке — структура файлов, назначение каждого правила и логика исключений: новый инженер разберётся без переписки с нами.
• Чек-лист приёмки — что прослушивать перед выкладкой: числа, аббревиатуры, стыки фраз, начало и конец сценария.

Комплект снимает главный риск: озвучка не застывает после релиза и не требует нас для каждой новой фразы.

Кейс: убрали рубленые фразы в озвучке инструкций

Заказчик — сервисная сеть, которая озвучивает инструкции по монтажу и обслуживанию оборудования. Синтез читал технические блоки ровным потоком: перечисления склеивались в одну фразу, пауза перед предупреждением не отличалась от паузы внутри предложения, а сокращения и единицы измерения произносились как получится. Каждую вторую реплику редактор возвращал на переозвучку — правки шли в текст, а не в разметку, и на следующем прогоне дефект всплывал снова.

Голос собирали на Amazon Polly: платформа понимает SSML-разметку, но писать её вручную на сотни реплик бессмысленно. Мы собрали библиотеку шаблонов — отдельный на шаг, на предупреждение, на перечисление, на заголовок раздела. Внутри задали темп: предупреждения читаются медленнее основного текста, между смысловыми блоками пауза заметно длиннее, чем внутри фразы; термины и аббревиатуры идут через словарь произношений, а не через подсказки в тексте. Перед генерацией разметку прогоняет проверка: незакрытый тег или недопустимое значение обрывают сборку, а не всплывают в готовом аудио.

Что сдвинулось

Единообразие реплик перестало зависеть от того, кто правил текст: интонация и паузы заданы шаблоном, а не на слух. Пакет инструкций теперь выходит одним прогоном, и правка формулировки не требует пересборки озвучки целиком.

Что делать, если синтез уже развёрнут и паузы не работают

Наследованный синтез редко бывает пустым: озвучка уже развёрнута, реплики записаны, сценарий написан. Проблема в другом — часть SSML-разметки такая система молча игнорирует: команда проходит без ошибки, но на выходе получается ровная речь без пауз и акцентов. Первый шаг — не переписывать тексты, а выяснить фактическую карту поддержки.

Прогоняем одну и ту же фразу с разными тегами и сравниваем результат на слух и по длительности звучания. Так становится видно, что паузы и изменение высоты тона отрабатывают, ускорение и выделение слова обрезаются, а вложенные конструкции ломают соседнюю разметку. Частичная поддержка разметки — рабочая ситуация, с ней можно строить управление интонацией.

Дальше надстраиваем слой преобразования поверх существующей записи: сценарий остаётся как есть, а перед синтезом единая нотация раскладывается в те команды, которые система реально понимает. Неподдерживаемые команды заменяем обходными приёмами — знаками препинания, разбиением длинной реплики на отдельные фразы, локальной правкой темпа в начале и конце предложения.

Обратная совместимость здесь обязательное условие: реплика без разметки должна звучать так же, как до доработки, иначе поедет вся уже согласованная озвучка. Поэтому изменения вносим точечно, для каждого текста сохраняем прежнюю версию и проверяем, что новое звучание отличается только там, где оно задано явно. Так доработка существующей озвучки даёт управляемую интонацию без переписывания сценария.

Частые технические сомнения по синтезу речи

SSML-разметка работает поверх конкретного движка синтеза: паузы, ударения и темп задаются тегами, но звучание определяет движок. Отсюда типовые инженерные вопросы — что переносится при смене движка, как поймать неестественность на слух и где заканчиваются возможности синтеза.

Как проверить естественность на слух, а не по документации?

Слепой прослушкой: те же фразы через разные версии разметки, оценка по чек-листу — ударения, слитность слов, ритм, паузы на знаках препинания, омографы. Спорные фрагменты уходят в правку словаря произношений, а не в ручную перезапись.

Как озвучивать диалог, чтобы реплики не звучали одним голосом?

Реплики размечаются по ролям: за каждой закреплён свой голос и темп, между ними — управляемые паузы, громкость выравнивается по общему уровню. Так сохраняются тембр персонажа и ритм разговора, включая перебивания и короткие ответы.

Что меняется в многоязычной озвучке?

Язык задаётся отдельным тегом на фрагмент, фонетика и правила ударения переключаются вместе с ним. Один голос редко звучит достоверно на всех языках — под каждый берём подходящий голос и свой словарь произношений для имён и терминов.

Где синтез всё ещё уступает живой записи?

Крик, шёпот с надрывом, сарказм, одновременная речь нескольких персонажей и нестандартные имена остаются слабым местом. Такие фрагменты помечаем при разметке и закрываем гибридно — записью диктора поверх синтезированного массива.

Обсудим задачу: соберём звучание под ваш сценарий

Чтобы оценка была предметной, а не «на глаз», нужен входной набор — тот же, с которым будет работать система. Постановка задачи без примеров реплик почти всегда даёт расхождение в ожиданиях, поэтому начинаем с материалов, а не с обсуждения сроков.

• Примеры реплик — 15–30 фраз в том виде, в каком их услышит пользователь: приветствие, отказ, цифры, названия, эмоциональные пики.
• Список языков и диалектов, включая смешанные фразы, где аббревиатура или латиница стоит внутри русской речи.
• Требования к подаче — тон, темп, тембр, пол и возраст голоса, референс диктора в аудио, если он есть.
• Словарь произношения — аббревиатуры, названия, единицы измерения, числа и даты, которые синтез читает неверно.
• Канал воспроизведения — телефонная линия, приложение, ролик: от него зависит длина пауз и допустимая задержка отклика.
• Текущая SSML-разметка — если она уже применяется, покажите файл: видно, какие конструкции работают, а какие синтезатор игнорирует.

Из этого собирается план работ: словарь, ручная разметка пауз и ударений, прогоны на ваших репликах, приёмка по согласованным критериям. Оценка сроков появляется после первого прогона на реальных примерах — она опирается на объём словаря и число голосов, а не на длину текста. Формат сотрудничества — короткие итерации с прослушиванием каждой версии: правки вносятся в разметку, а не в готовую запись. Опишите задачу и пришлите материалы — вернёмся с оценкой и планом.