Руководство / Практика голосового ИИ
Как выбрать синтез речи для телефонных звонков
Потоковый TTS, русский язык, имена, числа и телефонное качество. Практическая программа сравнения голосов.
Для телефонного агента важны понятность речи, время до начала ответа и устойчивое произношение ваших данных. Сравнивайте голоса на одинаковом тексте и в том звуковом тракте, который услышит клиент. Студийная запись сама по себе не показывает качество звонка.
ElevenLabs v4, голос Rachel, русский язык. Синтезированный образец речи.
«Здравствуйте! Я Майя, голосовой помощник вашей компании…» Один образец не является сравнительным тестом голосов.
Синтез речи — только одна часть агента
TTS превращает готовый текст в звук. За понимание вопроса, выбор ответа и вызов инструмента отвечают другие компоненты. Очень быстрый синтез не исправит долгую генерацию текста или ошибочную работу с базой знаний.
Различайте голосовой сервис как компонент, студию для озвучки и платформу для разговоров. У них разные условия, интерфейсы и способы оплаты. В MAIA голос выбирается в составе агента; отдельные операции озвучки доступны в Студии в зависимости от текущих настроек платформы.
Соберите свой набор фраз
- Цены: «Итого три тысячи пятьсот рублей, включая доставку».
- Даты и время: «Перенести запись с двенадцатого на четырнадцатое, на пятнадцать тридцать».
- Имена и названия: используйте разрешённые примеры, похожие на реальные данные вашего процесса.
- Номера и аббревиатуры: адрес, артикул, номер заказа, название компании.
- Короткое уточнение, длинное объяснение и сообщение об ошибке внешней системы.
Слушайте после телефонного преобразования
Проверьте частоту дискретизации и кодек своего маршрута. Голос, приятный в браузере, может стать менее разборчивым после телефонного кодирования. Нормализуйте громкость примеров: более громкая запись не должна автоматически казаться качественнее.
Не ограничивайтесь одним успешным синтезом. Повторите одни и те же фразы, отметьте пропуски, неверные ударения и изменения произношения. Отдельно оцените слова, от которых зависит действие: суммы, даты и отрицания.
Что означает задержка TTS
TTFB обычно измеряет время до первого полученного фрагмента. Он может содержать тишину. Для клиента важнее время от окончания его фразы до первого слышимого ответа. Уточняйте, какая метрика указана в любом сравнении.
Потоковый синтез может начать воспроизведение раньше, чем готова вся реплика. Но слишком мелкие фрагменты способны ухудшать интонацию. Проверяйте скорость вместе с естественностью целого предложения.
Как принять решение
- Сначала исключите голоса с ошибками в критичных данных.
- Сравните оставшиеся варианты в живом тестовом разговоре.
- Посчитайте стоимость при вашей длительности и объёме.
- Зафиксируйте модель, настройки, дату и ограничения, чтобы повторить тест после обновления.
Источники и проверка
Используйте актуальные документы поставщика и настройки своего проекта. Поддержка режима, условия тарифа и параметры могут измениться.
Проверить голос в агенте
Проверьте подходящий сценарий и возможности своего проекта.
Подробнее