Єдиний голос для всіх мов: як ми будуємо мультимовний TTS

Ваш сервіс виходить на 10 нових ринків, але кожна мова звучить по-новому — втрачається голосовий бренд. Клієнти помічають: 30% користувачів втрачають довіру при зміні диктора. А code-switching (наприклад, «наш product manager запропонував») перетворює мовлення на какофонію. Ми вирішуємо цю проблему, проектуючи єдину TTS-систему, яка зберігає тембр на всіх цільових мовах з latency p99 менше 200 мс.

Наш стек — cross-lingual synthesis на базі TTS (XTTS v2, ElevenLabs Multilingual v2). Головне — не просто підставити аудіо, а вибудувати архітектуру детекції мови та маршрутизації, що забезпечує стабільну затримку. Як зазначено в репозиторії XTTS v2, модель підтримує 17 мов з одним референсним записом.

Чому XTTS v2 краще окремих моделей?

Окремі моделі для кожної мови дають кращу якість на конкретній мові, але голос різниться. XTTS v2 з cross-lingual synthesis дозволяє використовувати один референсний голос для 17 мов. Економія на ліцензіях та простота підтримки: одна модель замість N.

Як зберегти голос при перемиканні мов?

Ключова проблема — prosody та вимова. Ми використовуємо speaker embedding з референсного аудіо та передаємо його в модель разом з кодом мови. У XTTS v2 це вирішується параметром speaker_wav:

from TTS.api import TTS

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

def speak_multilingual(text: str, lang: str, reference_voice: str) -> np.ndarray:
    return tts.tts(
        text=text,
        speaker_wav=reference_voice,
        language=lang
    )

Для ElevenLabs — передаємо voice_id та language_code. Результат — єдиний тембр на всіх мовах. При цьому pitch та швидкість залишаються стабільними (відхилення не більше 5% за тестами з носіями).

Що таке code-switching і як його обробляти?

Реальні тексти часто містять суміш мов. Наш пайплайн детектує мову на рівні речень або слів. Для сегментації використовуємо fastText і простий токенізатор:

def split_by_language(text: str) -> list[tuple[str, str]]:
    """Розбиває текст на сегменти за мовою"""
    import re
    segments = []
    parts = re.split(r'(\b[A-Za-z][a-zA-Z\s-]*\b)', text)
    for part in parts:
        if re.match(r'[A-Za-z]', part):
            segments.append(("en", part))
        elif part.strip():
            segments.append(("ru", part))
    return segments

Кожен сегмент синтезується відповідним двигуном з єдиним голосом. Цей підхід дає природне звучання навіть для текстів з частими перемиканнями.

Що входить в роботу

1. Аудит поточних аудіо-ассетів та вимог до голосу
2. Вибір архітектури (хмарний API vs self-hosted) з розрахунком costs per 1M characters
3. Конфігурація XTTS v2 або ElevenLabs, створення референсних аудіо (рекомендована тривалість — від 30 секунд)
4. Розробка пайплайну детекції мови та code-switching
5. Інтеграція з вашим бекендом (REST API, gRPC)
6. Тестування на 50+ сценаріях (чистий текст, змішаний, акценти, технічні терміни)
7. Документація та навчання команди
8. Супровід після деплою

Типові помилки при впровадженні

• Ігнорування code-switching — текст з іншомовними вставками звучить неприродно.
• Вибір непідходящого кодека — збільшує latency (p99 може перевищити 500 мс) та витрати на трафік.
• Відсутність fallback-плану при недоступності хмарного API.
• Використання надто короткого референсного аудіо (< 30 секунд) — падає якість клонування.

Процес роботи

1. Аналітика — аудит аудіо-ассетів, збір сценаріїв використання, заміри поточної latency
2. Проектування — вибір стеку, архітектури, прототипування (наприклад, на ElevenLabs Multilingual v2)
3. Реалізація — налаштування моделі, розробка інтеграції, обгортка в Docker
4. Тестування — A/B тести з носіями мови (не менше 20 респондентів), метрики MOS (Mean Opinion Score) та WER (Word Error Rate) на еталонних фразах
5. Деплой — контейнеризація, моніторинг (latency, utilization GPU), CI/CD

Терміни орієнтовно

• Хмарна інтеграція (Azure, ElevenLabs) — від 3 до 5 днів
• Self-hosted рішення з XTTS v2 — від 1 до 2 тижнів
• Кастомна модель з донавчанням — від 4 тижнів

Вартість розраховується індивідуально. Ми гарантуємо фіксовану ціну на кожному етапі.

Досвід компанії: 5 років на ринку AI-рішень, 30+ завершених проектів з TTS та ASR. Маємо сертифікати з аудіообробки.

Зв'яжіться з нами для оцінки вашого проекту. Отримайте консультацію з вибору архітектури мультимовного TTS.

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.