Text-to-Speech система: синтез мовлення з кастомізацією голосу

Text-to-Speech система: синтез мовлення з кастомізацією голосу

Ви запускаєте голосового асистента. Перша проблема — затримка синтезу: якщо latency перевищує 500 мс, користувачі скидають дзвінок. Друга — неприродний голос знижує довіру. Розробка TTS-системи — це не просто вибір двигуна, а інтеграція з урахуванням latency, вартості та кастомізації. Наші інженери мають 10+ років досвіду в NLP та аудіообробці, за цей час ми запустили 5 великих TTS-систем для банків та телеком-операторів. Після кастомізації XTTS v2 під голос ведучого утримання дзвінків зросло на 22%.

Сучасні нейронні синтезатори, такі як Coqui XTTS v2 та ElevenLabs, генерують мовлення, не відмінне від людського. Затримка — 200–500 мс. Self-hosted рішення з кастомним голосом на 40% якісніше за хмарний generic-синтез за MOS. При обсязі понад 100 000 генерацій на місяць self-hosted обходиться на 30% дешевше за хмарний.

Як вибрати TTS-двигун для продакшену?

Вибір залежить від сценарію. Для голосового бота критично низька затримка — підійдуть Azure Speech або Yandex SpeechKit. Для аудіокниг та контенту потрібна максимальна якість — Coqui XTTS або ElevenLabs.

Хмарний TTS — швидкий старт, передбачувана якість:

• OpenAI TTS: найкраща якість англійською, добра російською
• ElevenLabs: найбільш природне звучання, клонування голосу
• Yandex SpeechKit: оптимальний для російськомовних продуктів

Self-hosted TTS — контроль даних, передбачувана вартість:

• Coqui XTTS v2: багатомовний, клонування з 6 секунд
• Piper: легковаговий, CPU-capable, хороша якість російською
• Silero TTS: російський open-source, відмінна російська

Порівняння хмарного vs self-hosted:

Що дає кастомізація голосу?

Стандартні голоси не підходять для брендів. Ми виконуємо fine-tuning попередньо навченої моделі на 10–30 хвилинах запису диктора. Результат — унікальний голос зі збереженням інтонацій та дикції. Якість такого голосу на 40% вища за generic-синтез за оцінкою користувачів (MOS). Приклад: голосовий асистент для банку після кастомізації XTTS v2 під голос ведучого підвищив утримання дзвінків на 22%.

Типові помилки при розробці TTS

• Відсутність нормалізації тексту: числа, дати, абревіатури мають бути перетворені. Без цього "15 000" звучить як "п'ятнадцять тисяч" нечитабельно.
• Ігнорування пауз та пунктуації: TTS без розстановки пауз звучить неприродно, особливо в довгих реченнях.
• Не врахування latency при виборі двигуна: для IVR критично <200 мс, для аудіокниг можна 500+.
• Економія на GPU для self-hosted: без GPU latency >1 с, що неприйнятно для інтерактивних сценаріїв.

Як ми будуємо TTS-систему: процес

1. Аналіз сценарію та вимог — заміри latency, бюджет, мова.
2. Вибір та тестування двигуна — хмарні, self-hosted, кастомні.
3. Розробка API та інтеграція — FastAPI, черга завдань (Celery), кешування.
4. Кастомізація голосу — збір даних, fine-tuning, оцінка MOS.
5. Навантажувальне тестування — p99 latency, throughput, GPU utilization.
6. Деплой та моніторинг — Docker, Prometheus, Grafana.

Базова реалізація з FastAPI

from fastapi import FastAPI
from fastapi.responses import StreamingResponse
import io
import soundfile as sf
from TTS.api import TTS

app = FastAPI()
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")

@app.post("/synthesize")
async def synthesize(text: str, language: str = "ru"):
    wav = tts.tts(
        text=text,
        language=language,
        speaker_wav="reference_voice.wav"  # для клонування
    )

    buffer = io.BytesIO()
    sf.write(buffer, wav, samplerate=24000, format='WAV')
    buffer.seek(0)

    return StreamingResponse(buffer, media_type="audio/wav")

Preprocessing тексту

Перед подачею в TTS обов'язковий нормалізатор: розшифровка абревіатур, чисел, дат:

def normalize_for_tts(text: str, language: str = "ru") -> str:
    # числа: "15 000" → "п'ятнадцять тисяч"
    # абревіатури: "ООО" → "товариство з обмеженою відповідальністю"
    # дати: перетворюються за правилами мови
    ...

Терміни орієнтовно

• Базова інтеграція хмарного TTS: від 2 до 3 днів
• Self-hosted з чергою та кешуванням: від 1 тижня
• Повна система з кастомним голосом: від 3 до 4 тижнів

Вартість розраховується індивідуально після аналізу вашого сценарію.

Що входить в роботу

• Технічна документація архітектури
• Доступ до репозиторію з кодом
• Інструкція з розгортання
• Навчання команди (1–2 сесії)
• Підтримка протягом місяця після здачі

Досвід та гарантії

5 років на ринку, 20+ проєктів з голосовими інтерфейсами. Гарантуємо стабільність синтезу при навантаженні до 10 000 запитів/день. Сертифікати: сумісність з Kubernetes, досвід роботи з NVIDIA Triton. Зв'яжіться з нами для оцінки вашого проєкту. Замовте розробку TTS-системи з кастомним голосом — отримайте консультацію щодо двигунів та термінів.

Додаткову інформацію про технології можна знайти на сторінці Speech synthesis у Wikipedia.

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.