Интеграция Yandex SpeechKit TTS для синтеза речи

Интеграция Yandex SpeechKit TTS для синтеза речи

Yandex SpeechKit TTS — лучший выбор для русскоязычных продуктов: естественное произношение, правильные ударения, понимание российских реалий. Голоса: Alena, Filipp, Jane, Omazh, Zahar и другие. Инфраструктура в РФ.

Синтез через REST API

import requests

def synthesize(text: str, voice: str = "alena", speed: float = 1.0) -> bytes:
    """Синтез через Yandex SpeechKit"""
    response = requests.post(
        "https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize",
        headers={"Authorization": f"Api-Key {YANDEX_API_KEY}"},
        data={
            "text": text,
            "lang": "ru-RU",
            "voice": voice,
            "speed": str(speed),
            "format": "oggopus",  # oggopus | lpcm | mp3
            "sampleRateHertz": "48000",
            "folderId": YANDEX_FOLDER_ID,
        }
    )
    response.raise_for_status()
    return response.content

# Доступные голоса
VOICES = {
    "female": ["alena", "jane", "omazh", "oksana"],
    "male": ["filipp", "zahar", "ermil"],
    "premium": ["alena:premium", "filipp:premium"]  # наилучшее качество
}

Параметры управления речью

data = {
    "text": text,
    "speed": "0.8",        # 0.1–3.0 (норма = 1.0)
    "emotion": "good",     # good | evil | neutral (зависит от голоса)
    "voice": "alena",
    "format": "lpcm",      # для телефонии
    "sampleRateHertz": "8000",  # 8000 | 16000 | 48000
}

SSML поддержка (v3 API)

# REST v3 для SSML и расширенного управления
headers = {
    "Authorization": f"Bearer {IAM_TOKEN}",
    "x-folder-id": FOLDER_ID
}
body = {
    "utteranceSynthesisRequest": {
        "text": "<speak>Привет! <break time='500ms'/> Как дела?</speak>",
        "outputAudioSpec": {"containerAudio": {"containerAudioType": "OGG_OPUS"}},
        "loudnessNormalizationType": "LUFS"
    }
}

Стоимость: ~15 руб./час синтезированного аудио. Для IVR с ~1000 вызовов/день — примерно 3 000–5 000 руб./месяц.

Сроки: 1 день.