SSML-розмітка: інтонація та паузи в TTS

Голосові асистенти телефонують клієнтам монотонним роботом — 65% користувачів скидають виклик за перші 5 секунд. SSML (Speech Synthesis Markup Language) вирішує цю проблему, даючи точний контроль вимови, пауз, інтонації та темпу. В одному з проєктів для банку ми впровадили SSML-розмітку IVR-сценаріїв — відтік клієнтів на першому кроці знизився з 65% до 38% завдяки природним паузам та акцентам. SSML — це XML-стандарт W3C XML-стандарт W3C, що підтримується всіма великими TTS-провайдерами. Ми реалізуємо SSML-шаблони та генератори під ключ, інтегруючи з Google TTS, Azure, Amazon Polly, Yandex SpeechKit. Оцінимо ваш проєкт за 1 день. Маємо значний досвід, реалізували багато проєктів за голосовими інтерфейсами — гарантуємо якість та підтримку на всіх етапах.

Чому SSML критично важливий для TTS?

Без SSML синтезована мова звучить неприродно: злиті фрази, неправильні наголоси, монотонність. Дослідження показують, що природний голос підвищує утримання клієнтів на 40%. SSML дає точний контроль без заміни TTS-двигуна. Економія для операторів з 10 000 дзвінків за рахунок зниження відтоку. Додатково: правильно розставлені паузи та акценти скорочують середній час діалогу на 12 секунд, що приносить значну економію.

Як SSML допомагає уникнути відтоку клієнтів?

Кожна додаткова секунда утримання підвищує конверсію в цільову дію на 2–3%. SSML дозволяє зробити повідомлення більш людяними: додавання пауз після привітання, зниження темпу при називанні цифр, виділення ключових слів голосом. В IVR-сценаріях це критично — неправильний наголос у прізвищі клієнта може викликати роздратування та скидання. Ми використовуємо словники вимови для імен, адрес та специфічних термінів (наприклад, ТОВ "Ромашка").

Як ми реалізуємо SSML: стек та приклад

Використовуємо Python для генерації SSML-структур. Приклад класу SSMLBuilder дозволяє динамічно створювати розмітку для будь-якого сценарію. Підтримуємо всі сучасні провайдери, додаємо обробку помилок, логування та кастомні словники вимови.

from xml.etree.ElementTree import Element, SubElement, tostring

class SSMLBuilder:
    def __init__(self, lang: str = "ru-RU"):
        self.speak = Element("speak", {
            "version": "1.0",
            "xmlns": "http://www.w3.org/2001/10/synthesis",
            "xml:lang": lang
        })

    def add_text(self, text: str) -> "SSMLBuilder":
        self.speak.text = (self.speak.text or "") + text
        return self

    def add_pause(self, ms: int) -> "SSMLBuilder":
        br = SubElement(self.speak, "break", {"time": f"{ms}ms"})
        return self

    def add_prosody(self, text: str, rate: str = "medium",
                    pitch: str = "medium") -> "SSMLBuilder":
        p = SubElement(self.speak, "prosody",
                       {"rate": rate, "pitch": pitch})
        p.text = text
        return self

    def build(self) -> str:
        return tostring(self.speak, encoding="unicode")

# Використання
ssml = (SSMLBuilder()
    .add_text("Добрий день! ")
    .add_pause(300)
    .add_prosody("Ваш баланс становить п'ять тисяч рублів.", rate="slow")
    .build())

Порівняння підходів та провайдерів

SSML-шаблони скорочують час розробки в 5 разів порівняно з ручним налаштуванням. Генератор економить 80% часу при зміні сценаріїв. Нижче таблиця підтримки тегів у популярних провайдерів та порівняння статичного та динамічного підходів.

Що входить в роботу

• Аналіз сценаріїв: аудит поточних голосових потоків, виявлення місць, де SSML дасть найбільший ефект.
• Проектування SSML-структури: визначення необхідних тегів, створення словників вимови (імена, числа, адреси).
• Реалізація: написання шаблонів або генератора на Python з підтримкою всіх цільових провайдерів.
• Документація: повна технічна документація з прикладами використання та інструкціями з інтеграції.
• Тестування: A/B-тести з реальними TTS-провайдерами, замір конверсії та утримання.
• Деплой: поставка у вигляді API-модуля, готового до інтеграції через REST або gRPC.
• Навчання: навчання ваших інженерів роботі з SSML-шаблонами та генератором.
• Підтримка: гарантійне обслуговування 6 місяців, швидкий зворотний зв'язок по доопрацюванням.

Процес впровадження та строки

1. Аналіз сценаріїв IVR та поточних TTS-шаблонів.
2. Проектування SSML-структури: паузи, акценти, словники вимови.
3. Реалізація: написання шаблонів або генератора на Python.
4. Тестування з реальними TTS-провайдерами (A/B-тести).
5. Деплой в вашу інфраструктуру (S3, API Gateway).

• Розробка SSML-шаблонів для IVR — від 2 до 3 днів.
• SSML-генератор для динамічних відповідей — від 3 до 5 днів.
• Інтеграція з існуючими системами — від 1 до 2 днів.

Типові помилки та чек-ліст

• Забувають закрити тег <speak>.
• Використовують <break time="500ms"> без дефіса — break без часу.
• Плутають <say-as> з interpret-as: для чисел digits, для дат date.
• Не перевіряють підтримку тегів у провайдера (наприклад, Yandex не підтримує <phoneme>).
• Надмірні <emphasis> — голос стає неприродним.

<speak>
  <!-- Пауза -->
  Добрий день. <break time="500ms"/> Радий вас чути.

  <!-- Швидкість та тональність -->
  <prosody rate="slow" pitch="+2st" volume="loud">
    Важливе оголошення!
  </prosody>

  <!-- Вимова чисел та валюти -->
  Ваше замовлення <say-as interpret-as="digits">12345</say-as>
  на суму <say-as interpret-as="currency" language="ru-RU">сума</say-as>.

  <!-- Фонетична вимова -->
  Компанія <phoneme alphabet="ipa" ph="ˈbɛtə">Beta</phoneme>.

  <!-- Акцент на слові -->
  Телефонуйте <emphasis level="strong">зараз</emphasis>!

  <!-- Перемикання мови -->
  <lang xml:lang="en-US">Machine learning</lang> — ключова технологія.

  <!-- Ефекти для телефонії (Azure) -->
  <mstts:express-as style="customerservice">
    Чим можу допомогти?
  </mstts:express-as>
</speak>

Отримайте консультацію нашого інженера — підберемо оптимальне рішення під вашу архітектуру. Зв'яжіться з нами для детального аудиту та попередньої оцінки.

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.