Реалізація кастомного голосу для бренду (Custom Voice) Кастомний голос – унікальне звучання, яке асоціюється з конкретним брендом. Банки, телеком-оператори та великі ретейлери інвестують у власні голоси для диференціації та впізнаваності. ### Варіанти створення брендового голосу Azure Custom Neural Voice — найбільш доступний шлях до професійного результату: - Запис 2 000-3 000 фраз диктором (~8-10 годин) - Завантаження в Azure Custom Neural Voice Studio - Навчання: 20-30 годин обчислень - Результат: повністю кастомний Потребує Professional план ($99/міс) – 30–60 хвилин записів диктора

• Fine-tuning під конкретний голос - MOS (Mean Opinion Score) 4.0-4.4 з 5 Self-hosted XTTS fine-tuning: - 30-60 хвилин аудіо з транскрипціями - Донавчання XTTS v2 на власному GPU - Повний контроль даних ### Вимоги до запису``` Технические требования:
• Частота: 24 kHz минимум, 48 kHz рекомендуется
• Формат: WAV, 16-bit
• Тихая студия: SNR > 40 дБ
• Без реверберации

Для Azure Custom Neural Voice:

• 2 000+ высказываний (по 5–15 слов каждое)
• Равномерное распределение фонем
• Одинаковые условия записи всех сессий ### Azure Custom Neural Voice (Lite) через Portalpython import requests

После обучения модели получаем endpoint_id

endpoint_id = "your-custom-voice-endpoint-id"

def synthesize_brand_voice(text: str) -> bytes: ssml = f""" {text} """

# Синтез через Azure SDK
speech_config = speechsdk.SpeechConfig(
    subscription=AZURE_KEY, region="westeurope"
)
speech_config.endpoint_id = endpoint_id
...