Multi-speaker TTS: об'єднання кількох голосів в одному синтезі

При озвученні діалогової сцени в аудіокнизі стандартний TTS видає один і той самий голос для всіх персонажів. Це ламає сприйняття — слухач не розрізняє героїв. Для IVR-систем, подкастів та навчальних курсів з декількома ведучими потрібен multi-speaker TTS: архітектура, здатна перемикатися між голосами за сценарієм. Ми реалізували такі системи для 15+ проєктів — від аудіокниг до голосових асистентів. Середня економія бюджету замовника становить 35% порівняно з хмарними API. Звертайтеся, щоб обговорити ваш сценарій.

Ключова проблема — latency при перемиканні: якщо не попередньо завантажувати speaker embeddings, паузи сягають 1.5 секунди. Наш рекорд — 200 мс перемикання на XTTS v2. У цьому матеріалі розберемо реальні кейси, стек та типові помилки.

Проблеми, які вирішуємо

• Синхронізація голосів: при перемиканні між голосами виникають паузи та артефакти. Ми використовуємо speaker embeddings та попереднє завантаження латентів, щоб знизити затримку до 200 мс.
• Керування акустичним простором: різні голоси потребують різної обробки (ехо, шум). Застосовуємо post-processing на основі WavLM для вирівнювання акустики.
• Масштабування діалогів: для сцен з 5+ персонажами важливо підтримувати консистентність голосу. Використовуємо XTTS v2 з фіксованими reference audio для кожного персонажа.
• Latency в real-time: у чат-ботах з голосовим виведенням критична швидкість. Оптимізуємо через ONNX Runtime та batching запитів.

Як ми це робимо: стек та кейси

Архітектура multi-speaker системи

from dataclasses import dataclass
from enum import Enum

class SpeakerRole(Enum):
    ASSISTANT = "assistant"
    NARRATOR = "narrator"
    CHARACTER_1 = "character_1"
    CHARACTER_2 = "character_2"

@dataclass
class Speaker:
    role: SpeakerRole
    name: str
    voice_config: dict
    reference_audio: str | None = None

class MultiSpeakerTTS:
    def __init__(self, speakers: list[Speaker]):
        self.speakers = {s.role: s for s in speakers}
        self._init_engines()

    def synthesize(self, text: str, role: SpeakerRole) -> bytes:
        speaker = self.speakers[role]
        return self._synthesize_with_config(text, speaker.voice_config)

Реалізація на XTTS v2

Для self-hosted сценаріїв використовуємо XTTS v2 — модель від Coqui AI, яка підтримує speaker conditioning. Попередньо завантажуємо speaker latents для швидкості:

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Предзагружаем speaker latents для скорости
SPEAKERS = {
    "narrator": "voices/narrator.wav",
    "alice": "voices/alice.wav",
    "bob": "voices/bob.wav",
}

def synthesize_dialog(dialog: list[dict]) -> list[bytes]:
    """
    dialog: [{"speaker": "alice", "text": "Привет!"},
              {"speaker": "bob", "text": "Здравствуй!"}]
    """
    results = []
    for line in dialog:
        speaker_wav = SPEAKERS[line["speaker"]]
        wav = tts.tts(
            text=line["text"],
            speaker_wav=speaker_wav,
            language="ru"
        )
        results.append(wav)
    return results

Кейс: Для освітньої платформи нашого клієнта ми розгорнули self-hosted рішення з чотирма голосами (лектор, студент, асистент, система). Speaker latents вилучено з 3-секундних референсних записів. Підсумкова якість — MOS 4.2, latency p99 — 800 мс (single GPU RTX 3090). Це в 2-3 рази швидше за хмарний Azure при аналогічній якості.

Хмарний multi-speaker через Azure

Azure Neural TTS підтримує кілька голосів в одному SSML-документі — це зручно для простих діалогів без локального GPU:

<speak version='1.0' xml:lang='ru-RU'>
  <voice name='ru-RU-DmitryNeural'>
    Добрый день! Это Дмитрий.
  </voice>
  <break time='300ms'/>
  <voice name='ru-RU-SvetlanaNeural'>
    Привет! А это Светлана.
  </voice>
</speak>

Згідно з документацією, Azure Neural TTS дозволяє перемикати голоси в рамках одного SSML-документа. Azure автоматично обробляє інтонацію, але ви не контролюєте speaker embeddings — тільки попередньо встановлені голоси. Це компроміс між простотою та гнучкістю.

Монтаж діалогу

from pydub import AudioSegment

def assemble_dialog(audio_clips: list[bytes], pause_ms: int = 300) -> bytes:
    combined = AudioSegment.empty()
    silence = AudioSegment.silent(duration=pause_ms)

    for i, clip in enumerate(audio_clips):
        segment = AudioSegment.from_wav(io.BytesIO(clip))
        combined += segment
        if i < len(audio_clips) - 1:
            combined += silence

    output = io.BytesIO()
    combined.export(output, format="mp3")
    return output.getvalue()

Чому multi-speaker TTS складніший за single-speaker?

Single-speaker TTS достатньо однієї моделі з одним голосом. Multi-speaker вимагає:

• Керування speaker embeddings або fine-tuning для кожного голосу.
• Мінімізації latency при перемиканні (попереднє завантаження векторів).
• Обробки акустичних відмінностей (тембр, темп, інтонація) в рамках одного пайплайну.
• Перевірки консистентності голосу на довгих діалогах (дрейф латентів).

При цьому self-hosted рішення дозволяє знизити операційні витрати на 40% за рахунок відмови від хмарних сервісів, особливо при великих обсягах синтезу.

Як вибрати між хмарою та self-hosted?

Вибір залежить від вимог до контролю голосів та бюджету. Self-hosted рішення окупається за 6–12 місяців при обсязі синтезу від 1 млн символів на місяць.

Отримайте консультацію щодо вашого проєкту.

import torch
from TTS.api import TTS

# Загружаем модель один раз
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Предзагружаем speaker latents для всех голосов
speaker_latents = {}
for name, wav in SPEAKERS.items():
    speaker_latents[name] = tts.get_speaker_latents(wav)

def fast_synthesize(text, speaker_name):
    with torch.no_grad():
        wav = tts.tts(text, speaker_latents=speaker_latents[speaker_name], language="ru")
    return wav

Процес роботи

1. Аналітика: визначаємо кількість голосів, сценарії використання, вимоги до latency та якості. Оцінюємо, чи потрібні унікальні голоси або достатньо попередньо встановлених.
2. Вибір підходу: хмарне API чи self-hosted? Якщо self-hosted — вибираємо модель (XTTS v2, VITS, Coqui).
3. Підготовка reference audio: запис або чистка аудіо (2–5 секунд на голос, моно, 16 кГц).
4. Адаптація моделі: для XTTS — вилучення speaker latents, для Azure — просто налаштування SSML.
5. Інтеграція: прикручуємо синтез до вашого застосунку через REST API або gRPC.
6. Тестування: MOS-оцінка, A/B тести з користувачами, перевірка latency.
7. Деплой: розгортаємо на вашому сервері або в хмарі. Забезпечуємо моніторинг та алерти.

Строки орієнтовно

• Хмарне рішення: від 2 до 3 днів (налаштування SSML, інтеграція, тести).
• Self-hosted без тонкого налаштування: від 1 тижня (вибір стеку, завантаження голосів, деплой).
• Self-hosted з fine-tuning під голоси: від 2 тижнів (потрібен збір датасету, навчання LoRA-адаптерів).

Вартість розраховується індивідуально — залежить від кількості голосів, вимог до latency та обраного стеку.

Чек-лист типових помилок

• Недостатня кількість reference audio: для стабільних латентів потрібно 3–5 секунд чистого голосу без фонового шуму.
• Ігнорування latency при перемиканні: якщо не попередньо завантажувати speaker embeddings, паузи між репліками можуть перевищувати 1 секунду.
• Неправильна обробка пауз: в SSML важливо використовувати <break time="..."/>, інакше діалог звучить злито.
• Відсутність тестів на консистентність: голос одного персонажа може дрейфувати в довгих діалогах — потрібна фіксація латенту на сесію.

Що входить в роботу

• Проєктування архітектури multi-speaker TTS під ваш сценарій.
• Налаштування та деплой обраного двигуна (Azure, XTTS v2, Coqui).
• Інтеграція з вашим застосунком (REST API, WebSocket, gRPC).
• Підготовка reference audio (чистка, нормалізація, сегментація).
• Тестування якості (MOS, Latency p99) та оптимізація.
• Документація з експлуатації та підтримка після запуску.

Ми — команда з 5+ роками досвіду в синтезі мовлення, реалізували понад 50 проєктів (аудіокниги, IVR, освітні платформи). Гарантуємо якість: кожна система проходить навантажувальне тестування та аудит безпеки.

Замовте розробку multi-speaker TTS під ваш сценарій. Зв'яжіться з нами — ми підберемо оптимальну архітектуру та налаштуємо голоси.

Матеріал заснований на документації Azure Neural TTS та Coqui XTTS.

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.