О технологии

Синтез речи в Yandex SpeechKit позволяет озвучить любой текст на нескольких языках.

Голосовые модели SpeechKit используют технологию глубоких нейронных сетей. При синтезе речи модель обращает внимание на большое количество деталей исходного голоса. Перед началом синтеза модель оценивает весь текст целиком, а не отдельные предложения. Благодаря этому синтезированный голос звучит чисто и естественно, без электронных искажений, и воспроизводит уместные интонации, присущие речи живого человека.

Сервис доступен по адресу https://85.92.116.215/.

ВОЗМОЖНОСТИ СИНТЕЗА

Работа со SpeechKit осуществляется через API или Playground.

Синтез SpeechKit имеет два API — API v1 (REST) и API v3 (gRPC). На основе API v3 также реализован Python SDK SpeechKit.

	API v1	API v3
Спецификация	REST	gRPC, REST
Выбор голоса	Параметр voice	Параметр hints: voice
Выбор языка	Зависит от голоса Параметр lang	Зависит от голоса, в запросе явно не указан
Задание амплуа	Зависит от голоса Параметр emotion	Зависит от голоса Параметр hints: role
Управление тембром голоса	Нет	Параметр hints: pitchShift
Управление произношением	SSML TTS	TTS
Скорость произношения	Параметр speed	Параметр hints: speed
Настройка громкости	Нет	Параметр loudness_normalization_type
Формат результирующего аудио	Параметр format	Параметр output_audio_spec
Задание параметров LPCM	Параметр sampleRateHertz	Параметр output_audio_spec: raw_audio
Синтез по аудиошаблонам	Нет	Параметр text_template
Способ тарификации	Суммарное количество символов в запросах	По запросам
Автоматическое разбиение длинных фраз	Не требуется	Параметр unsafe_mode

	На один запрос SpeechKit API v3 может прийти больше одного ответа с аудиофрагментом. Полный ответ получается путем склеивания всех полученных фрагментов.

ЯЗЫКИ И ГОЛОСА

Вы можете выбрать голос, который будет озвучивать ваш текст. Каждый голос соответствует модели, обученной на речи диктора. Голоса отличаются тембром, полом и языком говорящего. Список голосов и их характеристики см. в разделе Список голосов.

Если ни один голос не подходит вашему бизнесу, SpeechKit может создать уникальный — специально для вас. Подробнее об этом — в разделе Yandex SpeechKit Brand Voice.

SpeechKit может синтезировать речь на разных языках. Каждый голос предназначен для синтеза речи на определенном языке. Голоса могут произносить и текст на "иностранном" языке, однако в этом случае качество синтезированной речи будет хуже: "диктор" будет говорить с акцентом, а слова могут быть синтезированы с ошибками.

АМПЛУА

Синтезированная речь будет звучать по-разному в зависимости от выбранного амплуа. Амплуа — это характер произношения для одного и того же диктора. Для разных голосов доступны разные наборы амплуа. Попытка использовать амплуа, которого нет у выбранного голоса, вызовет ошибку сервиса.

ТЕМБР ГОЛОСА

Каждый голос SpeechKit имеет свою высоту. В API v3 вы можете изменить голос, указав смещение относительного базового тембра. Смещение задается в параметре hints: pitchShift в Гц и может принимать значения [-1000;1000]. По умолчанию значение параметра — 0. Положительные значения параметра hints: pitchShift делают голос выше, отрицательные — ниже.