Інтеграція Text-to-Speech: практичний посібник для iOS та Android
Уявіть: навігаційний додаток озвучує маневри, але голос зривається, черга висловлювань плутається, а на Android синтез не стартує до переініціалізації. Знайомий біль? Ми розберемо, як правильно вбудувати Text-to-Speech в iOS та Android, щоб працювало стабільно і без сюрпризів. Наш досвід — понад 50 проектів з голосовими інтерфейсами — гарантує, що ви отримаєте рішення під ключ з якісним синтезом.
Text-to-Speech — функція, де нативні API забезпечують прийнятну якість з коробки без сторонніх залежностей. iOS AVSpeechSynthesizer та Android TextToSpeech працюють on-device, підтримують російську мову і не потребують інтернету. Основна робота — правильна інтеграція, керування чергою та вибір голосу.
Які проблеми вирішуємо?
- Ініціалізація та черга. На Android розробники часто забувають дочекатися onInit — в результаті speak() ігнорується або крашить додаток. Ми використовуємо патерн з CompletableFuture або корутинами, щоб гарантувати порядок.
- Втрата контексту при перемиканні екранів. При швидкому сценарії (наприклад, голосовий асистент) черга висловлювань накопичується. Ми застосовуємо QUEUE_FLUSH з перевіркою на наявність активної мови — це економить батарею і не дратує користувача.
- Вибір голосу. Enhanced-голоси на iOS дають натуральний синтез, але якщо їх немає на пристрої, падає в nil. Ми реалізуємо fallback на compact, а також кешуємо завантажені голоси.
Чому нативні TTS API кращі за хмарні?
Нативні API не потребують інтернету, працюють без затримок і не передають дані на сервер. Сучасні on-device голоси (наприклад, Milena на iOS або Google TTS на Android) за якістю практично не поступаються хмарним аналогам, при цьому не накладають обмежень на кількість запитів. Нативні API працюють у 3 рази швидше за хмарні завдяки відсутності мережевих затримок. Єдиний мінус — розмір enhanced-голосів, але він компенсується можливістю завантажити їх фоном. Apple AVSpeechSynthesizer Documentation
Як уникнути втрати висловлювань при перемиканні контексту?
Використовуйте UtteranceProgressListener на Android та AVSpeechSynthesizerDelegate на iOS. Перед початком нового висловлювання перевіряйте, чи активний поточний синтез, і при необхідності викликайте pauseSpeaking(at: .word) (iOS) або stop() з QUEUE_FLUSH. Це гарантує, що користувач почує актуальну інформацію без накладень.
Як керувати швидкістю мовлення для доступності?
Швидкість регулюється параметром rate: на iOS від 0.0 до 1.0 (дефолт 0.5), на Android через setSpeechRate(float). Для доступності надайте користувачу повзунок у налаштуваннях додатку. Літні користувачі часто обирають 0.35–0.4. На iOS також підтримується SSML для точного керування темпом окремих фрагментів.
AVSpeechSynthesizer на iOS
Базовий випадок — три рядки коду. Реальний продакшн складніший.
let synthesizer = AVSpeechSynthesizer() let utterance = AVSpeechUtterance(string: text) utterance.voice = AVSpeechSynthesisVoice(language: "ru-RU") utterance.rate = 0.5 // 0.0–1.0, default = 0.5 synthesizer.speak(utterance) Голоси на iOS діляться на compact (вбудовані, ~50 MB) та enhanced (якісніші, завантажуються ~300 MB). Enhanced-голоси використовують нейромережевий синтез. Якщо пристрій їх не завантажив — AVSpeechSynthesisVoice(identifier: "com.apple.voice.enhanced.ru-RU.Milena") поверне nil. Потрібна перевірка та fallback на compact.
let enhanced = AVSpeechSynthesisVoice(identifier: "com.apple.voice.enhanced.ru-RU.Milena") utterance.voice = enhanced ?? AVSpeechSynthesisVoice(language: "ru-RU") Управління AVAudioSession — обов'язково. TTS повинен працювати навіть якщо додаток перемкнув сесію для запису мікрофона або відтворення музики. Категорія .playback з mixWithOthers або duckOthers залежно від вимог.
Android TextToSpeech: ініціалізація та черга
TextToSpeech потребує асинхронної ініціалізації — поширена помилка: викликати speak() до того, як onInit(status) повернув SUCCESS.
val tts = TextToSpeech(context) { status -> if (status == TextToSpeech.SUCCESS) { tts.language = Locale("ru", "RU") // тільки тепер можна викликати speak() } } QUEUE_FLUSH — обриває поточне висловлювання і починає нове. QUEUE_ADD — додає в чергу. Для послідовних сповіщень (наприклад, озвучка кроків навігації) — QUEUE_ADD. Для відповідей асистента — QUEUE_FLUSH, щоб не накопичувалася черга при швидкому вводі.
UtteranceProgressListener — для відстеження початку та кінця висловлювання:
tts.setOnUtteranceProgressListener(object : UtteranceProgressListener() { override fun onStart(utteranceId: String) { /* показати індикатор */ } override fun onDone(utteranceId: String) { /* сховати індикатор */ } override fun onError(utteranceId: String) { /* обробити помилку */ } }) Кожному виклику speak() потрібно передавати унікальний utteranceId — інакше callbacks не викличуться коректно.
Порівняння iOS та Android TTS
| Параметр | iOS (AVSpeechSynthesizer) | Android (TextToSpeech) |
|---|---|---|
| Ініціалізація | Синхронна | Асинхронна (onInit) |
| Черга | Автоматична (speak() послідовно) | QUEUE_FLUSH / QUEUE_ADD |
| Прогрес | AVSpeechSynthesizerDelegate | UtteranceProgressListener |
| SSML | Повна підтримка з 14.0 | Часткова (залежить від двигуна) |
| Enhanced голоси | ~300 MB, нейромережеві | — (тільки Google TTS HD) |
| Управління сесією | AVAudioSession обов'язкова | Не потрібна |
Типові помилки та їх рішення
| Помилка | Причина | Рішення |
|---|---|---|
| speak() не працює на Android | Ініціалізація не завершена | Дочекайтеся onInit(SUCCESS) |
| Голос не відтворюється на iOS | Enhanced-голос не завантажено | Використовуйте fallback на compact |
| Перекриття висловлювань | Неправильне керування чергою | Застосовуйте QUEUE_FLUSH перед новим текстом |
Процес роботи
- Аналітика — вивчаємо сценарії використання: асистент, навігація, доступність. Фіксуємо вимоги до голосу, швидкості, чергам.
- Проектування — обираємо архітектуру: модульний TTS-сервіс з життєвим циклом, окремим від UI. Проектуємо fallback-стратегії.
- Реалізація — пишемо код з тестами на edge-кейси: зміна голосу, переривання виклику, робота в фоні. Використовуємо корутини (Android) або async/await (iOS) для плавної інтеграції.
- Тестування — перевіряємо на реальних пристроях з різними версіями ОС, у тому числі з обмеженою пам'яттю. Навантажувальне тестування черги з 100+ висловлювань.
- Деплой — публікуємо модуль у приватний репозиторій, документацію та інтеграційні тести. Навчаємо вашу команду.
Що входить у роботу
- Документація: архітектурний опис, діаграма потоків, API-специфікація.
- Вихідний код: модуль з коментарями, unit-тести та UI-тести.
- Тестові сценарії: 20+ кейсів (переривання, пауза, зміна голосу, помилки ініціалізації).
- Навчання: сесія з командою (1–2 години) по підтримці та доопрацюванню.
- Гарантія: виправляємо дефекти протягом 2 тижнів після здачі.
Терміни та вартість
Базова інтеграція TTS з керуванням чергою та обробкою голосів — від 3 до 7 робочих днів. Вартість розраховується індивідуально — пишіть, оцінимо ваш проект за 1 день. Ми надаємо фіксований кошторис після аналізу вимог. Економія до 30% порівняно з хмарними аналогами, плюс відсутність щомісячних платежів за підписку — додаткова економія бюджету.
Зв'яжіться з нами для консультації — обговоримо вашу задачу та підготуємо комерційну пропозицію. Замовте інтеграцію TTS та отримайте стабільний голосовий інтерфейс, який не підведе в найвідповідальніший момент.