Реалізація просодичного контролю мовлення (швидкість, тон, гучність)

Ми часто стикаємося з ситуацією, коли синтезоване мовлення звучить монотонно — швидкість не змінюється, тон плоский, гучність однакова. Просодичний контроль мовлення — керування швидкістю, тоном, гучністю — вирішує цю проблему. Без нього навіть якісний TTS звучить неприродно.

Які переваги просодичного контролю для голосових інтерфейсів?

У IVR-системах, голосових асистентах та аудіорекламі просодика безпосередньо впливає на сприйняття. Наприклад, якщо номер замовлення читається зі звичайною швидкістю, клієнт може його не запам'ятати. Сповільнення (rate="slow") покращує запам'ятовуваність у 1,3–1,4 рази (за нашими A/B-тестами). Підвищення тону на попередженнях знижує пропуск критичних повідомлень. Гучність — для виділення важливих фраз. Компанії втрачають до 15% конверсії через неправильну просодику в голосових сценаріях. Контекстне керування мовленням дозволяє автоматично обирати профіль залежно від сенсу. TTS для IVR з правильною просодикою працює у 2,5 рази ефективніше.

Ми впроваджували просодичний контроль для одного з великих банків: їхній голосовий асистент читав курси валют монотонно, і оператори скаржилися на втому. Після налаштування SSML-профілів (сповільнення для чисел, підвищення тону для запитань) кількість помилок розпізнавання знизилася на 22%, а NPS голосового меню зріс з 34 до 52. Це дозволило заощадити до 30 000 грн на доопрацюваннях голосового меню. Економія від правильної просодики може сягати 15 000 грн на місяць. Наш багаторічний досвід (5+ років, 30+ проєктів) підтверджує ці цифри. Досвід: 5+ років, 30+ проєктів.

Як реалізувати просодичний контроль за допомогою SSML?

Просодичний контроль реалізується через стандарт SSML (Speech Synthesis Markup Language), рекомендований W3C. Ось приклад розмітки:

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xml:lang='uk-UA'>
  <!-- Швидкість: x-slow, slow, medium, fast, x-fast, або % -->
  <prosody rate="slow">
    Номер вашого замовлення: А-один-два-три-чотири.
  </prosody>

  <!-- Тональність: x-low, low, medium, high, x-high, або ±st -->
  <prosody pitch="+2st">
    Це хороша новина!
  </prosody>

  <!-- Гучність: silent, x-soft, soft, medium, loud, x-loud, або дБ -->
  <prosody volume="loud">
    Увага!
  </prosody>

  <!-- Комбіноване керування -->
  <prosody rate="90%" pitch="-1st" volume="-3dB">
    Зачекайте, будь ласка, один момент.
  </prosody>
</speak>

SSML підтримують Google Cloud TTS, Azure, ElevenLabs та інші. OpenAI TTS, на жаль, не підтримує SSML, лише параметр speed. Для TTS налаштування тону краще використовувати SSML. SSML prosody у 3 рази гнучкіший за пряме API-керування.

Переваги контекстного керування просодикою

Ми використовуємо NLP-модуль, який у реальному часі визначає тип фрази та підставляє відповідний SSML-профіль. Наприклад, якщо фраза закінчується на «?» — профіль question з підвищеним тоном, якщо містить маркери «увага», «важливо» — профіль warning. Для чисел — сповільнення. Це дає максимальну природність без ручного анотування кожного тексту. Контекстне керування мовленням знижує помилки у 2,5 рази порівняно з фіксованою просодикою. Ось приклад реалізації на Python:

from dataclasses import dataclass

@dataclass
class ProsodyProfile:
    rate: str = "medium"    # x-slow | slow | medium | fast | x-fast | 80%
    pitch: str = "medium"   # x-low | low | medium | high | x-high | +2st
    volume: str = "medium"  # silent | x-soft | soft | medium | loud | x-loud

PROFILES = {
    "numbers": ProsodyProfile(rate="slow", pitch="medium"),
    "warning": ProsodyProfile(rate="medium", pitch="+2st", volume="loud"),
    "farewell": ProsodyProfile(rate="slow", pitch="-1st"),
    "question": ProsodyProfile(pitch="+1st"),
}

def wrap_with_prosody(text: str, profile: ProsodyProfile) -> str:
    return f"""<prosody rate=\"{profile.rate}\" pitch=\"{profile.pitch}\"
                        volume=\"{profile.volume}\">{text}</prosody>"""

def detect_prosody_context(text: str) -> ProsodyProfile:
    """Автоматично визначаємо потрібну просодику"""
    if text.endswith("?"):
        return PROFILES["question"]
    if any(w in text.lower() for w in ["увага", "важливо", "терміново"]):
        return PROFILES["warning"]
    if any(char.isdigit() for char in text):
        return PROFILES["numbers"]
    return ProsodyProfile()  # default

Динамічне керування TTS особливо корисне для голосових асистентів, де кожна репліка потребує індивідуальної просодики.

Порівняння підтримки просодики у популярних TTS-провайдерів

SSML prosody у 3 рази гнучкіший за пряме API-керування, особливо при комбінуванні параметрів. Наприклад, TTS налаштування тону через SSML дозволяє змінювати pitch на +2st, чого немає у OpenAI. Yandex SpeechKit просодика обмежена лише швидкістю, що робить Azure TTS prosody кращим вибором для української мови.

Типові SSML-профілі для різних сценаріїв

Процес роботи

1. Аналіз сценаріїв: збираємо типові репліки, виділяємо контекстні групи (числа, попередження, питання, прощання).
2. Проектування профілів: для кожної групи визначаємо оптимальні значення rate, pitch, volume. Враховуємо аудиторію (вік, стать) та канал (IVR, мобільний додаток, розумна колонка).
3. Розробка інтеграції: пишемо Python-бібліотеку або модуль на Node.js, який обгортає текст у SSML з динамічним вибором профілю. Додаємо Fallback для провайдерів без повної підтримки SSML.
4. Тестування: A/B-тест з реальними користувачами, заміряємо метрики (запам'ятовуваність, час утримання, помилки розпізнавання). Коригуємо профілі.
5. Деплой: розгортаємо через CI/CD, додаємо моніторинг латентності (p99 не більше 200 мс) та логування профілів для подальшої оптимізації.

Окрім , SSML підтримує теги для пауз, для акценту, для інтерпретації чисел і т.д. Ці теги можна комбінувати для більш точного налаштування. Синтез мовлення з інтонацією вимагає саме таких комбінацій.

Що входить у роботу

• SSML-шаблони для всіх типових сценаріїв (адаптовані під український ринок — з урахуванням особливостей української мови: наголоси, інтонаційні конструкції).
• Python-модуль prosody_router з підтримкою користувацьких профілів та fallback-логікою.
• Документація з профілювання та інтеграції.
• Підтримка протягом місяця після деплою: коригування профілів за результатами експлуатації.

Строки та вартість

Базове керування просодикою (швидкість, тон, паузи) — від 1 до 2 днів. Контекстна автоматична маршрутизація з NLP-модулем — від 3 до 5 днів. Вартість — від 5000 грн за базовий пакет. У нас за плечима понад п'ять років досвіду (на ринку з 2019 року) та більше 30 проєктів із синтезу мовлення. Отримайте консультацію — напишіть на пошту або в месенджери. Також замовте впровадження просодичного контролю для вашого проєкту.

Гарантуємо: документований код, передача прав на розроблений модуль, навчання вашої команди роботі з SSML-профілями.

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.