Интеграция Text-to-Speech: практическое руководство для iOS и Android
Представьте: навигационное приложение озвучивает маневры, но голос срывается, очередь высказываний путается, а на Android синтез не стартует до переинициализации. Знакомая боль? Мы разберем, как правильно встроить Text-to-Speech в iOS и Android, чтобы работало стабильно и без сюрпризов. Наш опыт — более 50 проектов с голосовыми интерфейсами — гарантирует, что вы получите решение под ключ с качественным синтезом.
Text-to-Speech — функция, где нативные API обеспечивают приемлемое качество из коробки без сторонних зависимостей. iOS AVSpeechSynthesizer и Android TextToSpeech работают on-device, поддерживают русский язык и не требуют интернета. Основная работа — правильная интеграция, управление очередью и выбор голоса.
Какие проблемы решаем?
- Инициализация и очередь. На Android разработчики часто забывают дождаться onInit — в результате speak() игнорируется или крашит приложение. Мы используем паттерн с CompletableFuture или корутинами, чтобы гарантировать порядок.
- Потеря контекста при переключении экранов. При быстром сценарии (например, голосовой ассистент) очередь высказываний накапливается. Мы применяем QUEUE_FLUSH с проверкой на наличие активной речи — это экономит батарею и не раздражает пользователя.
- Выбор голоса. Enhanced-голоса на iOS дают натуральный синтез, но если их нет на устройстве, падает в nil. Мы реализуем fallback на compact, а также кэшируем скачанные голоса.
Почему нативные TTS API предпочтительнее облачных?
Нативные API не требуют интернета, работают без задержек и не передают данные на сервер. Современные on-device голоса (например, Milena на iOS или Google TTS на Android) по качеству практически не уступают облачным аналогам, при этом не накладывают ограничений на количество запросов. Нативные API работают в 3 раза быстрее облачных благодаря отсутствию сетевых задержек. Единственный минус — размер enhanced-голосов, но он компенсируется возможностью скачать их фоном. Apple AVSpeechSynthesizer Documentation
Как избежать потери высказываний при переключении контекста?
Используйте UtteranceProgressListener на Android и AVSpeechSynthesizerDelegate на iOS. Перед началом нового высказывания проверяйте, не активен ли текущий синтез, и при необходимости вызывайте pauseSpeaking(at: .word) (iOS) или stop() с QUEUE_FLUSH. Это гарантирует, что пользователь услышит актуальную информацию без наложений.
Как управлять скоростью речи для доступности?
Скорость регулируется параметром rate: на iOS от 0.0 до 1.0 (дефолт 0.5), на Android через setSpeechRate(float). Для доступности предоставьте пользователю ползунок в настройках приложения. Пожилые пользователи часто выбирают 0.35–0.4. На iOS также поддерживается SSML для точного управления темпом отдельных фрагментов.
AVSpeechSynthesizer на iOS
Базовый случай — три строки кода. Реальный продакшн сложнее.
let synthesizer = AVSpeechSynthesizer() let utterance = AVSpeechUtterance(string: text) utterance.voice = AVSpeechSynthesisVoice(language: "ru-RU") utterance.rate = 0.5 // 0.0–1.0, default = 0.5 synthesizer.speak(utterance) Голоса на iOS делятся на compact (встроенные, ~50 MB) и enhanced (качественнее, скачиваются ~300 MB). Enhanced-голоса используют нейросетевой синтез. Если устройство их не скачало — AVSpeechSynthesisVoice(identifier: "com.apple.voice.enhanced.ru-RU.Milena") вернет nil. Нужна проверка и fallback на compact.
let enhanced = AVSpeechSynthesisVoice(identifier: "com.apple.voice.enhanced.ru-RU.Milena") utterance.voice = enhanced ?? AVSpeechSynthesisVoice(language: "ru-RU") Управление AVAudioSession — обязательно. TTS должен работать даже если приложение переключило сессию для записи микрофона или воспроизведения музыки. Категория .playback с mixWithOthers или duckOthers в зависимости от требований.
Android TextToSpeech: инициализация и очередь
TextToSpeech требует асинхронной инициализации — распространенная ошибка: вызвать speak() до того, как onInit(status) вернул SUCCESS.
val tts = TextToSpeech(context) { status -> if (status == TextToSpeech.SUCCESS) { tts.language = Locale("ru", "RU") // только теперь можно вызывать speak() } } QUEUE_FLUSH — обрывает текущее высказывание и начинает новое. QUEUE_ADD — добавляет в очередь. Для последовательных уведомлений (например, озвучка шагов навигации) — QUEUE_ADD. Для ответов ассистента — QUEUE_FLUSH, чтобы не накапливалась очередь при быстром вводе.
UtteranceProgressListener — для отслеживания начала и конца высказывания:
tts.setOnUtteranceProgressListener(object : UtteranceProgressListener() { override fun onStart(utteranceId: String) { /* показать индикатор */ } override fun onDone(utteranceId: String) { /* скрыть индикатор */ } override fun onError(utteranceId: String) { /* обработать ошибку */ } }) Каждому вызову speak() нужно передавать уникальный utteranceId — иначе callbacks не вызовутся корректно.
Сравнение iOS и Android TTS
| Параметр | iOS (AVSpeechSynthesizer) | Android (TextToSpeech) |
|---|---|---|
| Инициализация | Синхронная | Асинхронная (onInit) |
| Очередь | Автоматическая (speak() последовательно) | QUEUE_FLUSH / QUEUE_ADD |
| Прогресс | AVSpeechSynthesizerDelegate | UtteranceProgressListener |
| SSML | Полная поддержка с 14.0 | Частичная (зависит от движка) |
| Enhanced голоса | ~300 MB, нейросетевые | — (только Google TTS HD) |
| Управление сессией | AVAudioSession обязательна | Не требуется |
Типичные ошибки и их решения
| Ошибка | Причина | Решение |
|---|---|---|
| speak() не работает на Android | Инициализация не завершена | Дождитесь onInit(SUCCESS) |
| Голос не воспроизводится на iOS | Enhanced-голос не скачан | Используйте fallback на compact |
| Перекрытие высказываний | Неправильное управление очередью | Применяйте QUEUE_FLUSH перед новым текстом |
Процесс работы
- Аналитика — изучаем сценарии использования: ассистент, навигация, доступность. Фиксируем требования к голосу, скорости, очередям.
- Проектирование — выбираем архитектуру: модульный TTS-сервис с жизненным циклом, отдельным от UI. Проектируем fallback-стратегии.
- Реализация — пишем код с тестами на edge-кейсы: смена голоса, прерывание вызова, работа в фоне. Используем корутины (Android) или async/await (iOS) для плавной интеграции.
- Тестирование — проверяем на реальных устройствах с разными версиями ОС, в том числе с ограниченной памятью. Нагрузочное тестирование очереди из 100+ высказываний.
- Деплой — публикуем модуль в приватный репозиторий, документацию и интеграционные тесты. Обучаем вашу команду.
Что входит в работу
- Документация: архитектурное описание, диаграмма потоков, API-спецификация.
- Исходный код: модуль с комментариями, unit-тесты и UI-тесты.
- Тестовые сценарии: 20+ кейсов (прерывание, пауза, смена голоса, ошибки инициализации).
- Обучение: сессия с командой (1–2 часа) по поддержке и доработке.
- Гарантия: исправляем дефекты в течение 2 недель после сдачи.
Сроки и стоимость
Базовая интеграция TTS с управлением очередью и обработкой голосов — от 3 до 7 рабочих дней. Стоимость рассчитывается индивидуально — пишите, оценим ваш проект за 1 день. Мы предоставляем фиксированную смету после анализа требований. Экономия до 30% по сравнению с облачными аналогами, плюс отсутствие ежемесячных платежей за подписку — дополнительная экономия бюджета.
Свяжитесь с нами для консультации — обсудим вашу задачу и подготовим коммерческое предложение. Закажите интеграцию TTS и получите стабильный голосовой интерфейс, который не подведет в самый ответственный момент.