Yandex SpeechKit — синтез и распознавание речи от Яндекса

Облачный сервис Яндекса для синтеза речи (TTS) и распознавания (STT). Те же модели стоят за голосовым помощником Алисой. На синтезе мы озвучили весь pimenov.ai, поэтому акцент здесь — на превращении текста в аудио.

Что это такое

Yandex SpeechKit — набор речевых технологий в составе Yandex Cloud и Yandex AI Studio. Сервис закрывает две задачи:

• Синтез речи — озвучивает текст голосами нейросетевых моделей.
• Распознавание речи — расшифровывает аудио в текст на 15+ языках.

Для контентных задач (озвучка статей, аудиоверсии, голосовые обзоры) основной инструмент — синтез.

Что умеет

Голоса и языки

В Yandex AI Studio доступно несколько десятков голосов: большинство русские, плюс отдельные голоса для других языков. У многих голосов есть роли (амплуа) и эмоциональная окраска — нейтральная, дружелюбная, строгая, радостная. Актуальный список смотрите в документации, он периодически пополняется.

• Языки синтеза: русский (ru-RU), английский (en-US), немецкий (de-DE), иврит (he-IL), а также казахский и узбекский.
• Роль (role) управляет тоном и эмоцией одного и того же голоса.
• Скорость (speed) задаётся числом от 0.1 до 3.0, где 1.0 — средний темп речи человека.

Подключение по API

У синтеза два API: v1 (проще, тарификация за символы) и v3 (новее, тарификация поштучно — одна единица на каждые 250 символов, поддержка MP3 и расширенной разметки).

Авторизация — заголовок Authorization с API-ключом сервисного аккаунта или IAM-токеном:

# Синтез через API v3 (endpoint)
curl -X POST \
  -H "Authorization: Api-Key <ваш_API_ключ>" \
  -H "Content-Type: application/json" \
  -d @body.json \
  https://tts.api.cloud.yandex.net/tts/v3/utteranceSynthesis

Минимальное тело запроса v3 — текст плюс параметры голоса и формата:

{
  "text": "Здравствуйте! Это аудиоверсия материала.",
  "outputAudioSpec": {
    "containerAudio": { "containerAudioType": "MP3" }
  },
  "hints": [
    { "voice": "anton" },
    { "role": "neutral" },
    { "speed": 1.1 }
  ]
}

v1 против v3

Форматы и параметры синтеза

Управление произношением

Самая капризная часть синтеза — произношение имён, англицизмов и технических терминов. Прочитанные «как есть», они звучат как аудиоверсия опечатки.

• Ударения ставятся знаком + перед ударной гласной: контр+оль, def+ect.
• Паузы между словами обозначаются дефисом -.
• SSML и TTS-разметка позволяют управлять паузами, интонацией и произношением фрагментов.
• Кириллизация англицизмов часто надёжнее латиницы: бренды и термины проще записать русскими буквами с нужным ударением.

Тарифы и лимиты

Цены зависят от версии API и режима. Ниже ориентиры — актуальные значения всегда сверяйте в официальном прайс-листе.

Лимиты распознавания:

• Синхронное — короткие записи до 30 секунд и до 1 МБ.
• Потоковое — до 5 минут и до 10 МБ.
• Асинхронное (файлы) — до 4 часов и до 60 МБ в теле запроса.

Практические сценарии

• Аудиоверсии статей и постов — полный текст материала озвучивается голосом, читатель слушает вместо чтения.
• Короткие аудиообзоры справочников — не диктовка инструкции, а человеческое вступление: о чём материал и стоит ли открывать его глазами.
• Голосовые уведомления и интерфейсы — озвучка коротких системных сообщений.
• Расшифровка звонков и голосовых — через STT для контакт-центров и заметок.

Наш кейс: как мы озвучили весь pimenov.ai

Мы прошли этот путь на собственном сайте — от первого теста голоса до полного аудиослоя на сотни материалов.

Что мы сделали и что выяснили:

• Сначала протестировали MiniMax, затем остановились на Yandex SpeechKit — он дал предсказуемый русский голос и понятный расчёт стоимости для массового прогона.
• Голос выбрали из связки anton / neutral, формат — MP3 64 kbps: маленький файл, грузится быстро, открывается почти везде.
• Главная война была за произношение: синтезатор сначала читал «pimenov.ai» как «пимэнов яйяй». Рабочей схемой стало «П+именов эйай» с ударением на «И», плюс отдельная дрессировка терминов (Codex, Directus, Notion).
• Развели два жанра: для статей и блога — полные аудиоверсии, для базы знаний — короткие аудиообзоры.
• Файлы лежат на VPS, метаданные — в Directus, на сайт попадает только аудио со статусом approved. Появилась и отдельная аудиолента.
• Для новых материалов настроен автопилот: он проверяет, где нет аудио, берёт партию, считает стоимость и добавляет результат на сайт.

Подробный разбор — в двух статьях:

• Я научил сайт говорить, и он первым делом переврал собственное имя — про тесты MiniMax и SpeechKit, войну с произношением и устройство аудиоконтура.
• Весь pimenov.ai теперь можно слушать: 365 аудиоматериалов — итоговые цифры по всему аудиослою сайта.

Полезные ссылки

• Сайт сервиса: yandex.cloud/services/speechkit
• Документация по синтезу: aistudio.yandex.ru/docs/ru/speechkit/tts
• Список голосов: aistudio.yandex.ru/docs/ru/speechkit/tts/voices
• Тарифы: aistudio.yandex.ru/docs/ru/speechkit/pricing
• Playground в Yandex AI Studio: aistudio.yandex.ru

По теме

• Статья: Сайт теперь можно читать с ИИ: маленькая кнопка под каждым материалом
• Блог: Голосовые ИИ-агенты — тихая возможность, пока все строят чат-ботов
• База знаний: Silero Models — open-source модели речи на русском (TTS, STT, VAD)

Если у вас есть длинные тексты или база знаний, которые хочется озвучить без боли с ударениями и произношением, такой аудиоконтур на SpeechKit реально собрать и довести до ума.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov