Синтез мовлення на AWS: інтеграція Amazon Polly з Python та SSML

При інтеграції голосового помічника на AWS багато клієнтів стикаються з проблемою: стандартний синтез мовлення Amazon Polly для російської мови звучить неприродно. Neural TTS для ru-RU не підтримується, а використовувати західні акценти не можна. Крім того, є обмеження на довжину тексту — під час синтезу через synthesize_speech можна передати не більше 1500 символів. Ми вирішуємо ці завдання за допомогою SSML-розмітки, асинхронної обробки через Lambda та S3, а також кастомних налаштувань просодії. За 5 років роботи ми реалізували понад 50 проєктів з TTS у хмарі, і в кожного є свої тонкощі.

Як обійти обмеження Neural для російської мови?

Основний інструмент — SSML (Speech Synthesis Markup Language). З його допомогою можна керувати паузами, темпом, наголосами та навіть вимовою окремих символів. Наприклад, якщо потрібно, щоб цифри вимовлялися по порядку, використовуємо <say-as interpret-as="digits">. А для створення природних пауз — <break time="300ms"/>. Ось приклад розмітки, яку ми застосовуємо в продакшені:

<speak>
  Привіт! Ваше замовлення <break time="300ms"/>
  номер <say-as interpret-as="digits">12345</say-as> готове.
  <prosody rate="slow">Будь ласка, перевірте дані.</prosody>
</speak>

Це дозволяє наблизити звучання до людського навіть на стандартних голосах. За даними документації AWS, SSML коригує інтонацію краще, ніж просто зміна параметрів voice. Для російської мови доступні два голоси:

Для порівняння, Azure Neural TTS підтримує російську, але його вартість приблизно в 2–3 рази вища при аналогічному обсязі. Amazon Polly з SSML дає 80% якості Azure за меншу ціну.

Чому варто обрати інтеграцію через Lambda та S3?

Ми використовуємо зв'язку Lambda + S3 для масштабованої та доступної за ціною синхронізації. Клієнт надсилає текст — функція Lambda синтезує мовлення через boto3 і зберігає файл у S3. Користувач отримує посилання з Presigned URL для прямого завантаження. У випадку з довгими текстами запускаємо асинхронне завдання start_speech_synthesis_task — це економить ресурси і не перевищує ліміти Lambda за часом.

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>
  Привіт! Ваше замовлення <break time="300ms"/>
  номер <say-as interpret-as="digits">12345</say-as> готове.
</speak>
"""
response = polly.synthesize_speech(
    Text=ssml_text,
    TextType='ssml',
    OutputFormat='mp3',
    VoiceId='Tatyana',
)

Для довгих текстів:

# Для довгих текстів — 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']

Як SSML допомагає на практиці: кейс з освітніми відеолекціями

В одному з проєктів — озвучка освітніх відеолекцій — за допомогою кастомних SSML-шаблонів ми покращили розбірливість чисел та формул на 30% без використання Neural голосів. Для цього налаштували вимову спеціальних символів: <say-as interpret-as="digits"> для номерів, <phoneme alphabet="ipa" ph="pi">π</phoneme> для грецьких літер, а також <prosody rate="85%"> для повільного промовляння складних термінів. Це дозволило зберегти низьку вартість (стандартний синтез) при високій якості сприйняття.

Що таке SSML: основні елементи для синтезу мовлення

Ці теги допомагають обійти обмеження стандартних голосів і зробити мовлення більш природним.

Що входить в роботу з інтеграції Amazon Polly

• Повний код інтеграції з boto3, включаючи SSML-шаблони
• Документація з архітектури та виклику API
• Рекомендації щодо оптимізації вартості з урахуванням вашого обсягу
• Тестовий синтез на ваших даних для оцінки якості
• Навчання команди (1 година онлайн) основам SSML та роботи з Polly
• Пост-релізна підтримка 2 тижні для оперативного вирішення питань

Процес роботи

1. Аналіз: розбираємо ваш сценарій — обсяг тексту, потрібні мови, вимоги до якості.
2. Архітектура: проектуємо схему — Polly + S3 + Lambda + CloudFront (опціонально).
3. Реалізація: пишемо код на Python з boto3, налаштовуємо SSML для ваших текстів.
4. Тест: прогоняємо на реальних даних, вимірюємо latency p99.
5. Деплой: розгортаємо у вашому акаунті AWS, видаємо доступи.

Строки: від 2 до 5 робочих днів залежно від складності. Вартість розраховується індивідуально.

Гарантія результату та підтримка

Ми займаємося інтеграцією AWS та TTS понад 5 років, всі інженери сертифіковані. Надаємо повну документацію та готові скрипти, щоб ви могли обслуговувати систему самостійно. Навчаємо команду роботі з Polly та SSML, допомагаємо з налагодженням на етапі тестування. Після завершення проєкту ви залишаєтеся з працюючим рішенням і чітким розумінням його архітектури.

Хочете оцінити якість синтезу на своїх даних? Зв'яжіться з нами — ми підготуємо демо-приклад і розрахуємо оптимальну конфігурацію під ваш сценарій. Замовте консультацію, щоб обговорити деталі.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

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,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.