Інтеграція SaluteSpeech TTS (Сбер) для синтезу мови

Інтеграція SaluteSpeech TTS (Сбер) для синтезу мови

Типова проблема при інтеграції SaluteSpeech TTS — короткоживучі токени доступу (30 хвилин) і нестандартний ланцюжок SSL-сертифікатів Сбера. Без автоматичного оновлення токена сервіс ламається кожні півгодини, а ігнорування сертифіката призводить до помилок SSLError у продакшені. Ми налаштовуємо повний пайплайн синтезу мови, вирішуючи обидві ці задачі. Наприклад, для одного з рітейлерів ми розгорнули on-premise рішення з автооновленням токенів, що знизило latency p99 з 800 мс до 450 мс завдяки локальній обробці. Перехід на on-premise дозволив зекономити компанії понад 200 000 ₽ на рік на хмарних запитах, а для великих проєктів економія сягає 300 000 ₽ щорічно.

Доступні голоси SaluteSpeech TTS

SaluteSpeech надає шість вбудованих голосів з різними емоційними забарвленнями. Всі голоси синтезують мову з частотою дискретизації 24 кГц і підтримують формат WAV16.

Для довгих текстів (понад 5000 символів) потрібне розбиття на чанки — цей процес ми автоматизуємо за допомогою конвеєра, який враховує межі речень.

Чому on-premise критичний для корпоративних клієнтів?

Для компаній з режимом комерційної таємниці або держтаємниці хмарне підключення неприпустиме. SaluteSpeech TTS дозволяє розгорнути інстанс всередині контуру — дані не покидають периметр. Ми налаштовуємо:

• Кореневий сертифікат Сбера для внутрішнього PKI
• Маршрутизацію через внутрішній load balancer
• Моніторинг через Prometheus + Grafana (latency p99, кількість запитів, помилки авторизації)

Крім того, on-premise знижує залежність від зовнішніх каналів зв'язку: при хмарному рішенні затримка може сягати 1,5 с, а локально — всього 400–500 мс. По latency p99 SaluteSpeech TTS on-premise в 1.6 рази швидший за хмарний Yandex SpeechKit. Дані з офіційної документації SaluteSpeech та Yandex SpeechKit.

Як автоматизувати оновлення токена?

Ось базовий код фонового воркера на Python з використанням apscheduler:

import requests
import base64
from apscheduler.schedulers.background import BackgroundScheduler

def refresh_token(client_id, client_secret):
    response = requests.post(
        "https://ngw.devices.sberbank.ru:9443/api/v2/oauth",
        headers={
            "Authorization": f"Basic {base64.b64encode(f'{client_id}:{client_secret}'.encode()).decode()}",
            "RqUID": "unique-uuid-here",
            "Content-Type": "application/x-www-form-urlencoded"
        },
        data={"scope": "SALUTE_SPEECH_CORP"},
        verify="/path/to/sber-root-ca.pem"
    )
    new_token = response.json()["access_token"]
    # зберігаємо в Vault або Redis з TTL
    return new_token

scheduler = BackgroundScheduler()
scheduler.add_job(refresh_token, 'interval', minutes=25, args=[CLIENT_ID, CLIENT_SECRET])
scheduler.start()

Оновлення запускаємо за 5 хвилин до закінчення поточного токена, перезаписуючи його в безпечному сховищі. Це гарантує uptime синтезу без переривань. У разі збою при оновленні воркер робить до 3 повторних спроб з експоненційною затримкою.

Як проходить інтеграція: покроково

1. Аналіз сценарію — визначаємо потрібні голоси, навантаження, необхідність on-premise.
2. Проєктування архітектури — обираємо REST API або gRPC, налаштовуємо балансування та кешування аудіофайлів.
3. Реалізація мікросервісу — пишемо воркер для автооновлення токена, обробку помилок, розбиття тексту на чанки.
4. Інтеграційні тести — перевіряємо роботу з вашою CRM, IVR або чат-ботом.
5. Деплой та моніторинг — розгортаємо в контурі, налаштовуємо алерти по latency та помилках.

Що входить у повний обсяг робіт

• Проєктування архітектури (REST API / gRPC, балансування, кешування аудіо)
• Реалізація мікросервісу синтезу з автооновленням токена та обробкою помилок
• Налаштування SSL-довіри для API Сбера (встановлення кореневого сертифіката)
• Інтеграція з вашою системою (CRM, IVR, чат-бот) через REST або черги
• Навантажувальне тестування (до 100 RPS, замір latency p99)
• Документація з експлуатації та скрипти моніторингу

Порівняння SaluteSpeech TTS та Yandex SpeechKit

З таблиці видно: для корпоративних сценаріїв з вимогами до безпеки SaluteSpeech виграє за затримкою та можливістю on-premise. Однак для креативних задач Yandex пропонує більше емоцій. Отримайте консультацію — ми допоможемо обрати рішення.

Орієнтовні терміни

Від 2 до 5 днів залежно від складності (on-premise, кількість голосів, інтеграція з legacy-системами). Вартість розраховується індивідуально — пишіть, оцінимо проєкт.

Досвід нашої команди — понад 5 років на ринку, 30+ проєктів з TTS-системами (Yandex, Google, Amazon Polly, Sber). Ми гарантуємо коректну роботу з SSL-специфікою Сбера та стабільний uptime синтезу.

Зв'яжіться з нами для попередньої оцінки — надішлемо приклад інтеграції з вашою тестовою фразою. Отримайте консультацію по вашому сценарію.

Детальніше про SaluteSpeech API читайте в офіційній документації.

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.