Yandex SpeechKit: российский голосовой конструктор | 7Post
Алексей, нейроинженер, обозреватель портала «Нейросреда»
Когда мы говорили о MiniMax, ElevenLabs, Cartesia и Hume AI, мы фактически изучали разные варианты одной глобальной гонки.
Теперь меняем масштаб.
Перед нами Yandex SpeechKit — одна из наиболее зрелых российских платформ для работы с речью.
И здесь особенно интересно не количество эффектных демонстраций, а то, насколько глубоко система умеет работать именно с русским языком.
Актуальная документация Yandex Cloud описывает в SpeechKit синтез речи, потоковый TTS, управление произношением, тембром и скоростью, различные голоса и технологию Brand Voice для создания уникальных голосов.
И это уже не просто:
«Введите текст — получите MP3».
1. Что такое SpeechKit
SpeechKit — голосовая технология Yandex Cloud.
В её состав входят:
- Text-to-Speech;
- Speech-to-Text;
- потоковый синтез;
- API;
- Playground;
- управление произношением;
- различные голосовые амплуа;
- Brand Voice.
Для разработчика доступны API v1 и API v3. В актуальной документации Yandex отдельно описывает потоковый синтез через API v3 — в частности, сценарии, где текст появляется постепенно, например при генерации ответа LLM.
То есть SpeechKit уже можно рассматривать не только как инструмент озвучки.
Это часть инфраструктуры голосовых приложений.
2. Главный козырь — русский язык
Здесь начинается самое интересное.
SpeechKit позволяет управлять произношением через специальную разметку.
Можно задавать:
- ударения;
- паузы;
- произношение;
- скорость;
- эмоциональное амплуа.
Причём для русского языка возможности разметки особенно развиты. Yandex прямо указывает полную поддержку TTS-разметки для русского текста.
Это принципиально важно для профессиональной озвучки.
Потому что фраза:
«замок»
может означать совершенно разные слова.
А:
«звонит»
может потребовать правильного ударения в зависимости от контекста.
В обычном литературном тексте человек понимает это автоматически.
Для синтезатора необходимо дать модели достаточно информации.
3. Голоса
В актуальном списке SpeechKit есть множество русскоязычных голосов.
Среди них:
- Alena;
- Filipp;
- Ermil;
- Jane;
- Omazh;
- Zahar;
- Dasha;
- Julia;
- Lera;
- Masha;
- Marina;
- Alexander;
- Kirill;
- Anton.
Для части голосов доступны разные амплуа.
Например:
- neutral;
- good;
- friendly;
- strict;
- whisper.
При этом набор амплуа зависит от конкретного голоса.
Это интереснее, чем просто список «мужских» и «женских» дикторов.
Один и тот же голос может вести себя по-разному.
4. Амплуа
Понятие амплуа здесь принципиально.
Допустим, у нас есть голос.
Он может звучать:
нейтрально.
А может:
дружелюбно.
Или:
строго.
Таким образом, голос и манера становятся двумя разными сущностями.
Для контент-мейкера это удобно.
Например:
новостной текст
→ нейтральное амплуа.
объяснение сложной темы
→ дружелюбное.
предупреждение
→ строгое.