Интеграция AI TTS с выбором голоса в iOS и Android

Представьте: пользователь нажимает кнопку воспроизведения в вашем приложении для аудиокниг. Между нажатием и первым звуком проходит 3–4 секунды. Это не просто задержка — это потеря пользователя. Мы решали эту проблему в проекте аудиогида: переключились на ElevenLabs с WebSocket-стримингом и дисковым кэшем, снизив время первого ответа с 2,8 с до 350 мс. Разница в 8 раз — и пользователи остаются. В этой статье я расскажу, как интегрировать AI TTS с нулевыми задержками, используя стриминг, кэширование и правильный выбор провайдера.

Как выбрать AI TTS провайдера для вашего проекта?

Выбор провайдера определяет качество и задержку. Сравним основных игроков:

Для русскоязычного проекта рекомендуем Yandex SpeechKit — лучшие голоса и поддержка SSML. Для глобального — OpenAI TTS с балансом качества и цены. По нашим данным, ElevenLabs опережает OpenAI по реалистичности голоса в 2–3 раза, но стоимость выше на 40%. Yandex SpeechKit, в свою очередь, обеспечивает на 30% меньшее время начала воспроизведения по сравнению с OpenAI при русском тексте.

Почему стриминг критичен для UX?

Без стриминга пользователь ждет полного завершения синтеза. 500 символов на tts-1-hd генерируются ~2 секунды — это вечность в мобильном интерфейсе. Со стримингом первые слова звучат через 300–500 мс. Разница в 4–6 раз — именно она отделяет «робота» от «живого» общения. Стриминг окупается за счет удержания пользователей.

Как интегрировать стриминг: пошаговая инструкция

1. Выберите провайдера и получите API-ключ.
2. Настройте стриминговое воспроизведение: на iOS используйте AVPlayer с кастомным AVAssetResourceLoaderDelegate, на Android — ExoPlayer с кастомным DataSource для POST-запросов.
3. Реализуйте дисковый кэш с ключом sha256, чтобы избежать повторного синтеза.
4. Добавьте UI для выбора голоса с предпрослушиванием.
5. Настройте fallback на системный TTS при отсутствии сети.

iOS: стриминг через AVPlayer

class StreamingTTSPlayer {
    private var player: AVPlayer?
    private var playerItem: AVPlayerItem?

    func speak(text: String, voice: String = "nova") async throws {
        var request = URLRequest(url: URL(string: "https://api.openai.com/v1/audio/speech")!)
        request.httpMethod = "POST"
        request.setValue("Bearer \(apiKey)", forHTTPHeaderField: "Authorization")
        request.setValue("application/json", forHTTPHeaderField: "Content-Type")

        let body = ["model": "tts-1", "input": text, "voice": voice, "response_format": "mp3"]
        request.httpBody = try JSONEncoder().encode(body)

        // AVPlayer умеет стримить с HTTP-ответа через resourceLoader
        // Используем кастомный AVAssetResourceLoaderDelegate
        let asset = StreamingAudioAsset(request: request)
        playerItem = AVPlayerItem(asset: asset)
        player = AVPlayer(playerItem: playerItem)
        player?.play()
    }
}

Android: ExoPlayer со стримингом

class StreamingTTSPlayer(private val context: Context) {
    private val exoPlayer = ExoPlayer.Builder(context).build()

    fun speak(text: String, voice: String = "nova") {
        val url = "https://api.openai.com/v1/audio/speech"
        // ExoPlayer поддерживает стриминг нативно через MediaSource
        val dataSourceFactory = DefaultHttpDataSource.Factory().apply {
            setDefaultRequestProperties(mapOf(
                "Authorization" to "Bearer $apiKey",
                "Content-Type" to "application/json"
            ))
        }
        // Для POST-запросов используем кастомный DataSource
        val mediaItem = MediaItem.fromUri(buildCachedUri(text, voice))
        exoPlayer.setMediaItem(mediaItem)
        exoPlayer.prepare()
        exoPlayer.play()
    }
}

ExoPlayer нативно поддерживает прогрессивный стриминг MP3/AAC. Для POST-запросов нужен кастомный DataSource, который делает POST и отдаёт InputStream — ExoPlayer сам буферизует и начинает воспроизведение после первых нескольких секунд аудио.

Как избежать двойных трат на синтез с помощью кэширования?

TTS — дорогой. Одна и та же фраза не должна синтезироваться дважды. Используем дисковый кэш с ключом sha256:

class TTSCache(private val cacheDir: File) {
    fun getKey(text: String, voice: String): String =
        MessageDigest.getInstance("SHA-256")
            .digest("$text|$voice".toByteArray())
            .joinToString("") { "%02x".format(it) }

    fun get(key: String): File? {
        val file = File(cacheDir, "$key.mp3")
        return if (file.exists()) file else null
    }

    fun put(key: String, data: ByteArray) {
        File(cacheDir, "$key.mp3").writeBytes(data)
    }
}

TTL кэша — 30 дней для статичного контента (UI-фразы, обучающий текст), без TTL для пользовательского. Ограничение размера кэша — 50–100 МБ, LRU eviction. Кэширование снижает затраты на API в два раза при высокой повторяемости запросов.

Сравнение стратегий кэширования:

Когда стоит использовать SSML?

SSML пригодится, когда требуется точный контроль произношения: паузы между предложениями, ударения в сложных словах, изменение темпа речи. Это особенно важно для голосовых помощников и озвучки инструкций. Yandex SpeechKit и Google TTS поддерживают SSML, OpenAI TTS — нет. Вот пример разметки:

<speak>
  Добро пожаловать в <emphasis level="strong">наш сервис</emphasis>.
  <break time="500ms"/>
  Ваш заказ <say-as interpret-as="cardinal">12345</say-as> готов к выдаче.
</speak>

Используйте <break>, <prosody rate="slow">, <say-as> для чисел и дат — это отличает естественное звучание от роботизированного.

UI выбора голоса: как дать пользователю услышать

Пользователь должен услышать голос перед выбором. Паттерн:

1. Список голосов с именем и коротким описанием.
2. Кнопка «Прослушать» — воспроизводит 5-секундный пример (кэшируем предзаписанные семплы, не синтезируем на лету).
3. Выбранный голос сохраняется в UserDefaults / SharedPreferences.

Для ElevenLabs — /v1/voices возвращает список доступных голосов с метаданными: preview_url для предпрослушивания. Не нужно синтезировать — просто воспроизводи готовый preview.

Что входит в работу

• Аудит текущего проекта и выбор провайдера.
• Интеграция выбранного TTS API с поддержкой стриминга.
• Настройка кэширования на диске с LRU-алгоритмом.
• Разработка UI для выбора и предпрослушивания голосов.
• Реализация fallback на системный TTS при отсутствии сети.
• Тестирование на реальных устройствах (iOS 15+ / Android 10+).
• Передача документации по API и архитектуре.

Сроки и стоимость

Базовая интеграция одного провайдера с UI выбора голоса — 4–6 дней. Стриминговое воспроизведение + кэш на диске + fallback на системный TTS — ещё 5–7 дней. Стоимость рассчитывается индивидуально в зависимости от сложности. Оценим ваш проект — свяжитесь для консультации. Закажите интеграцию TTS в ваше приложение — мы обеспечим низкие задержки и естественное звучание.