Синтез речи для русского языка: сравнение локальных движков

MAATRIX

Вы выбираете движок синтеза речи, читаете обзоры, смотрите рейтинги на GitHub и Reddit — и везде хвалят один и тот же набор моделей. Проблема в том, что почти все эти обзоры и демо-ролики сделаны на английском. Когда вы разворачиваете тот же движок на своём сервере и скармливаете ему русский текст, результат может оказаться совсем другим — с неправильными ударениями, роботизированной интонацией и странно прочитанными числами. Разбираемся, почему так происходит и как проверить качество именно для русского языка, а не поверить чужой репутации.

Почему репутация движка не значит ничего для русского

Абсолютное большинство открытых моделей синтеза речи (TTS) обучались на массивных датасетах, где английский составляет подавляющую долю обучающих данных — просто потому, что такие корпуса (LibriSpeech, LJSpeech, VCTK и подобные) исторически собирались для английского в первую очередь и в них банально больше часов записи и больше дикторов. Русский, даже если он входит в список поддерживаемых языков, часто представлен кратно меньшим объёмом данных, иногда — сравнительно небольшим дополнительным датасетом, добавленным на более позднем этапе для расширения языкового охвата.

Это значит, что репутация модели («звучит невероятно живо», «неотличимо от человека») в 9 случаях из 10 сформирована именно на английском материале. Модель действительно может звучать отлично — на английском. Русский язык устроен принципиально иначе: свободный порядок слов, богатая система падежных окончаний, подвижное ударение, звуки, которых просто нет в английской фонетике (мягкие согласные, «ы», редуцированные гласные). Нейросеть, которая прекрасно выучила интонационные паттерны английской речи, не обязана автоматически переносить это умение на русский — это разные акустические и просодические системы, и перенос навыка между ними далеко не гарантирован.

Практический вывод: если вы видите на GitHub 20 тысяч звёзд и восторженные комментарии — это сигнал о качестве для английского (или для языка, на котором тестировали авторы комментариев), а не универсальная оценка. Для русского нужен отдельный, собственный тест.

Ударения: главная боль синтеза речи для русского

Ударение в русском языке подвижное и не определяется однозначно по написанию слова. «Замок» (крепость) и «замок» (на двери) — одно написание, разное ударение, разный смысл. «Атлас» (сборник карт) и «атлас» (ткань) — та же история. Даже без такой явной омографии система должна понимать контекст: «дорога» может быть «дорОга» (путь) или «дорогА» (краткое прилагательное), и это часто различимо только по грамматической роли слова в предложении.

Движок синтеза речи, который внутри себя не делает полноценного морфологического анализа (а таких — большинство, особенно среди компактных моделей, ориентированных на скорость), либо использует словарь ударений по умолчанию, либо угадывает по статистически наиболее вероятному варианту. Для распространённых слов это работает прилично. Для менее частотных слов, профессиональных терминов, редких имён собственных, географических названий — ошибки вылезают регулярно.

Что стоит проверять конкретно:

• Слова с омографией по ударению («замок», «атлас», «мука», «характерный»).
• Редкие имена собственные и топонимы, актуальные именно для вашего контента.
• Профессиональные термины вашей ниши — если вы озвучиваете технические тексты, проверьте специфичную лексику (в IT, например, встречаются заимствования, где ударение неочевидно).
• Слова, где ударение меняется в зависимости от падежа и числа («стенам» — «стенАм» или «стЕнам» в разных диалектах и контекстах).

Некоторые движки позволяют явно проставить ударение в тексте перед синтезом (обычно символом ударения перед гласной или через специальную разметку — конкретный синтаксис зависит от движка и его документации). Если у вас узкая предметная область с повторяющимися сложными словами, такая ручная разметка словаря исключений может закрыть большую часть проблемы — но это дополнительная работа, которую стоит закладывать в оценку трудозатрат, а не только «из коробки» качество.

Интонация: где выдаёт себя не-русская просодия

Второй параметр, который плохо виден на коротких демо-фразах и отлично виден на связном тексте — интонационный рисунок (просодия). У русского языка своя система интонационных конструкций (в лингвистике их традиционно описывают как ИК-1 — ИК-7): вопрос без вопросительного слова оформляется резким повышением тона на ударном слоге, перечисление через запятую держит паузу и небольшой подъём тона перед следующим элементом, конструкции с тире и двоеточием требуют характерной паузы разной длины.

Модель, недостаточно обученная на русской речи, часто использует английский по интонационному «шаблону»: ровное чтение с ударением на каждое слово примерно одинаково, вопросы без характерного русского подъёма тона, слишком короткие или слишком длинные паузы на знаках препинания. На слух это ощущается как «акцент» даже при формально правильном произношении отдельных слов — фраза звучит технически без ошибок, но неестественно, будто читает иностранец с хорошим словарным запасом, но чужой мелодикой речи.

Проверять стоит на предложениях, типичных именно для вашего контента, а не на изолированных словах:

• Вопросительные предложения без вопросительного слова («Вы уже настроили сервер?»).
• Перечисления из 3-5 однородных членов.
• Сложноподчинённые предложения с придаточными («который», «потому что», «хотя»).
• Прямая речь с обращением и восклицанием.
• Длинные предложения с несколькими знаками препинания подряд — здесь плохая просодия особенно заметна, потому что накапливается на протяжении всей фразы.

Числа, даты и сокращения: склонение — отдельный источник ошибок

В английском числительное перед существительным не меняет форму. В русском — меняется постоянно, и правильная форма зависит от падежа, рода и числа существительного, к которому относится число. «1 сервер», «2 сервера», «5 серверов» — школьное правило, но движок синтеза должен не просто прочитать цифру словами, а выбрать правильное окончание в зависимости от того, что идёт дальше в предложении, и от падежа всей конструкции («с 21 сервером», «о 21 сервере» — числительное «двадцать один» согласуется как единственное число, и это отдельное правило, которое несложно перепутать).

Похожая ситуация с датами: «5 сентября 2026 года» требует склонения и числительного, и слова «год» в родительном падеже, а не просто последовательного прочтения цифр. С сокращениями — своя специфика: «см» может быть прочитано как «сантиметр» или произнесено по буквам, «т.д.» должно раскрываться как «так далее», а не как отдельные буквы, «руб.» — как «рублей» или «рубль» в зависимости от числа перед ним.

Проверочный набор для этого пункта:

• Числа в разных падежах в реальных фразах вашего контента («заказал 3 сервера», «оплатил за 21 день», «клиентов уже больше 150»).
• Даты в формате, который реально встречается у вас («статья опубликована 5 сентября 2026 года»).
• Денежные суммы («2500 рублей», «$99 в месяц»).
• Аббревиатуры и сокращения, специфичные для вашей ниши (в технической документации — «ГБ», «мс», «IP», «SSH»).
• Телефонные номера и IP-адреса, если это релевантно вашему сценарию — способ их прочтения (по цифре или группами) тоже сильно зависит от реализации.

Именно этот класс ошибок чаще всего остаётся незамеченным при беглом тестировании «на глаз», потому что тестируют обычно на связном художественном тексте без цифр, а в реальном контенте (описания тарифов, инструкции, новости) числа и сокращения встречаются постоянно.

Как собрать свой репрезентативный тестовый набор

Вместо того чтобы доверять чужим сравнениям (которые почти всегда либо не учитывают русский вообще, либо тестируют его поверхностно на 2-3 нейтральных предложениях), соберите собственный набор текстов — компактный, но покрывающий реальные кейсы вашего использования. Практический ориентир — 15-25 коротких фрагментов, а не десятки страниц: этого достаточно, чтобы прослушать все кандидаты за разумное время, но при этом покрыть разнообразие случаев.

Структура набора, которая покрывает разобранные выше проблемы:

1. 3-5 предложений из реального контента, который вы будете озвучивать (не абстрактный пример — именно ваш текст).
2. 2-3 предложения с числами, датами, суммами в разных падежах.
3. 2-3 предложения с сокращениями и аббревиатурами вашей тематики.
4. 2-3 слова или коротких фразы с заведомой ударной неоднозначностью.
5. 2-3 вопросительных предложения без вопросительного слова.
6. 1-2 длинных предложения с несколькими знаками препинания — для оценки общей связности интонации.
7. Если релевантно — фрагмент с именами собственными или терминами, специфичными для вашей ниши.

Прогоните этот набор через 2-4 кандидата (больше — усложняет сравнение, меньше — не даёт выбора) и слушайте результат сами, желательно не в одиночку — второе мнение снижает субъективность. Полезно делать это вслепую: сохранить файлы с обезличенными именами и оценивать не зная заранее, какой движок где, чтобы не поддаться ожиданиям («это же модель с хорошей репутацией, наверное и звучит хорошо»).

Оценивайте по отдельным критериям, а не одним общим баллом:

• Ударения — количество явных ошибок на весь набор.
• Естественность интонации — субъективная оценка «похоже на человека» / «слышен акцент».
• Числа и сокращения — прочитаны ли грамматически верно.
• Общая разборчивость на скорости, которая реально нужна для вашего сценария (иногда TTS звучит иначе на длинных против коротких фрагментов).

Если вы разворачиваете движок на своём сервере (см. как поднять синтез речи на своём сервере и как установить и настроить Piper TTS на VPS), у вас в любом случае будет возможность быстро прогнать один и тот же тестовый набор через несколько моделей подряд — это не требует лишних затрат, кроме времени на прослушивание.

Почему прошлогоднее сравнение вам не поможет

Область синтеза речи развивается быстро — новые версии моделей выходят с заметной регулярностью, и разработчики нередко именно между версиями существенно улучшают (или, реже, случайно ухудшают для отдельных языков) качество для конкретных языков, включая русский. Сравнение, сделанное год назад, могло быть абсолютно честным на момент публикации — и при этом полностью устаревшим сегодня, потому что с тех пор вышла новая версия модели с другим датасетом обучения.

Это работает и в обратную сторону: движок, который год назад был откровенно слаб на русском, мог заметно подтянуться в новых релизах — если разработчики специально занимались расширением языкового покрытия. Поэтому:

• Не полагайтесь на статьи и обзоры старше нескольких месяцев для окончательного решения — используйте их только как отправную точку для списка кандидатов, но не как основание для финального выбора.
• Перед реальным внедрением обязательно прогоняйте актуальную версию модели через свой тестовый набор, а не полагайтесь на память о том, «как она звучала в прошлый раз».
• Фиксируйте версию модели, которую тестировали, и дату теста — это пригодится, если через несколько месяцев вы будете решать, стоит ли переоценивать выбор заново.
• Если движок active — с частыми релизами и активным сообществом — закладывайте, что через полгода стоит повторить тест: качество могло измениться в любую сторону.

Сравнение Piper против XTTS или разбор как поднять text-to-speech на сервере дают хорошую отправную точку по архитектуре и требованиям к железу, но финальное решение по конкретной модели и её версии стоит принимать только после собственного прослушивания на актуальной сборке.

Практический чек-лист перед выбором

Соберём разобранное в последовательность действий:

1. Не доверяйте общей репутации и рейтингам без проверки — они почти всегда отражают качество на английском.
2. Соберите собственный тестовый набор из 15-25 фрагментов реального контента (не абстрактные примеры).
3. Обязательно включите в набор: слова с неоднозначным ударением, числа в разных падежах, даты, сокращения вашей ниши, вопросы без вопросительного слова, длинные предложения.
4. Прогоните набор через 2-4 актуальных кандидата, желательно вслепую.
5. Оценивайте по отдельным критериям (ударения / интонация / числа / общая разборчивость), а не одним общим впечатлением.
6. Проверяйте актуальную версию модели на момент выбора, а не полагайтесь на старые обзоры.
7. Зафиксируйте версию и дату теста — пригодится для повторной проверки через несколько месяцев.
8. Если критично — заложите время на ручную разметку словаря ударений для повторяющихся сложных слов вашей тематики.

Такой подход занимает несколько часов, но экономит куда больше времени, потраченного на переделку озвучки после того, как выяснится, что модель с прекрасной репутацией на английском странно ставит ударения в русских именах и путает падежи в числах.

Частые вопросы