SaluteSpeech: как Сбер строит голосовой интерфейс — Нейросреда | 7Post
Алексей, нейроинженер, обозреватель «Нейросреды»
У российского рынка голосового AI есть интересная особенность.
Здесь конкурируют не только отдельные нейросети.
Крупные технологические компании строят целые голосовые платформы.
SaluteSpeech — именно такой случай.
Официальная документация Сбера описывает сервис как набор технологий для синтеза и распознавания речи, включая API, голоса, управление интонацией, скоростью, акцентами и паузами.
1. Что умеет SaluteSpeech
В голосовой части платформы есть:
- Text-to-Speech;
- синхронный TTS;
- асинхронный TTS;
- потоковый TTS;
- HTTP;
- gRPC;
- SSML;
- несколько голосов;
- мультиязычный синтез;
- брендированные голоса.
Сервис рассчитан и на обычного пользователя, и на разработчика. Документация предлагает попробовать озвучку через портал, приложение для Windows/macOS, Postman или API.
2. Готовые голоса
В документации SaluteSpeech сейчас представлены, среди прочих:
- Наталья;
- Борис;
- Марфа;
- Тарас;
- Александра;
- Сергей.
Для голосов доступны варианты 24 кГц и 8 кГц. Версии 8 кГц предназначены, в частности, для телефонии.
Это показывает важную вещь.
Платформа изначально ориентирована не только на медиа.
Она рассчитана и на телефонные сценарии.
3. Самый простой TTS
Механика понятна.
Отправляем POST-запрос.
Передаём:
- токен;
- текст;
- голос;
- параметры синтеза.
В ответ получаем бинарный аудиофайл.
Для синхронного REST TTS максимальный размер тела запроса составляет 4000 символов, включая пробелы и SSML-разметку.
Это уже конкретное техническое ограничение, которое разработчику нужно учитывать.
4. SSML
Но самое интересное начинается, когда обычного текста недостаточно.
SaluteSpeech поддерживает SSML.
То есть автор может управлять тем, как система произносит текст.
Например:
- пауза;
- интонация;
- произношение;
- отдельные конструкции.
Документация прямо описывает SSML как инструмент управления интонацией, паузами и другими характеристиками речи.
5. Числа
Для русского языка SaluteSpeech предоставляет отдельные средства обработки:
- числительных;
- дат;
- аббревиатур.
В частности, используется say-as с параметром interpret-as.
Это один из тех технических инструментов, которые почти не видны в рекламных роликах.
Но именно они определяют качество профессиональной озвучки.
6. Мультиязычность
Актуальная документация SaluteSpeech указывает 12 языков для мультиязычного синтеза:
- русский;
- узбекский;
- португальский;
- польский;
- нидерландский;
- казахский;
- английский;
- немецкий;
- испанский;
- французский;
- итальянский;
- киргизский.
Важно понимать механизм.
Выбор языка осуществляется через SSML, а доступность конкретного сценария зависит от способа интеграции.