Часто задаваемые вопросы
Какой голос самый естественный?
Все восемь голосов основаны на лицензированных записях LibriTTS-R и имеют естественное звучание. Кастомного клонирования или настройки тембра не предусмотрено. Выбор зависит от задачи: для новостей используйте Atlas, для историй — Luna. Каждый голос уникален по интонации, но все генерируются одной моделью.
Можно ли изменить тембр голоса?
Напрямую изменить тембр (высоту или окраску голоса) нельзя. Вы можете лишь регулировать скорость произношения в диапазоне от 0.25 до 4.0. Для изменения характера речи лучше выбрать другой предустановленный голос из списка из восьми доступных вариантов, так как кастомизация отдельных параметров голоса не поддерживается.
Есть ли возрастные различия в голосах?
Возраст не указан явно, но описания передают характер: Aria — ясный рассказчик, Milo — дружелюбный собеседник, Orion — глубокий документальный голос. Это помогает подобрать интонацию под аудиторию.
Подходит ли Atlas для новостей?
Да, голос Atlas описан как нейтральный и предназначенный именно для новостей. Он обеспечивает четкую и беспристрастную подачу информации, что идеально подходит для новостных лент или информационных ботов. Это один из восьми доступных мужских голосов, оптимизированный для быстрого и понятного чтения текстов.
Как выбрать голос для детей?
Для детской аудитории лучше всего подойдут Nova (яркий, энергичный) или Luna (мягкий, для историй). Они создают дружелюбную атмосферу. Выберите тот, который лучше соответствует формату: Nova для активных сцен, Luna для спокойного чтения. Другие голоса могут звучать слишком серьезно или нейтрально для детей.
Можно ли смешивать голоса?
Напрямую смешивать голоса в одном аудиофайле нельзя. API генерирует речь одним голосом за один запрос. Если нужно чередование, отправляйте несколько запросов с разными параметрами voice и объединяйте полученные аудиофайлы самостоятельно. Кастомных миксов или совместного произношения в рамках одного вызова API не предусмотрено.
Какой голос лучше для инструкций?
Для инструкций оптимально подходит голос Sage. Он описан как спокойный и instructional (инструктивный). Его четкая дикция и ровный темп помогают пользователям лучше понимать шаги. Это один из восьми доступных голосов, специально настроенный для ясной передачи технической или пошаговой информации без лишних эмоций.
Есть ли различия в ценах для разных голосов?
Нет, все голоса стоят одинаково. Цена зависит только от модели (tts-1 или tts-1-hd) и объема текста ($10 за 1 млн символов). Неважно, используете ли вы Aria, Orion или любой другой из восьми вариантов — тарификация будет идентичной. Вы платите за длину входного текста.
Как звучат голоса на китайском?
Все восемь голосов поддерживают китайский язык. Вы можете выбрать любой голос для китайского текста, указав код языка в запросе. Качество звучания соответствует общим стандартам API: речь естественна, но содержит невидимый цифровой водяной знак, маркирующий синтез. Ограничений по доступности голосов для китайского нет.
Можно ли использовать Luna для сказок?
Да, голос Luna описан как мягкий и предназначенный для storytelling (историй). Это идеальный выбор для сказок и художественных текстов. Его интонация создает уютную атмосферу, подходящую для развлекательных или образовательных приложений. Используйте Luna, если хотите передать эмоциональную глубину и мягкость повествования в вашем продукте.
Какой формат лучше для Apollo?
В списке голосов нет Apollo. Доступны только Aria, Nova, Luna, Sage, Felix, Milo, Atlas и Orion. Вы можете выбрать любой из них. Формат аудио (mp3, wav, opus, flac, pcm) выбирается независимо от голоса и зависит от ваших технических требований к интеграции в приложение.
Как настроить скорость для пожилой аудитории?
Уменьшите параметр speed ближе к нижнему пределу (например, 0.75–0.9). Это замедлит речь, сделав её более разборчивой. Максимальная скорость — 4.0. Экспериментируйте с настройкой скорости, чтобы найти оптимальный баланс между ясностью и естественностью звучания.
Влияет ли модель на тембр голоса?
Нет, модель влияет только на качество звука и цену. Вы выбираете между tts-1 и tts-1-hd. Тембр определяется выбранным голосом (например, Aria или Felix). Обе модели используют один и тот же движок синтеза, поэтому характер голоса остается неизменным при смене модели качества.
Есть ли ограничения по жанрам?
Жанровых ограничений нет. Любой из восьми голосов может прочитать любой текст: от новостей до сказок. Главное — соответствие языку. Если текст на латинице, но не на английском, обязательно укажите язык. Голос адаптируется под указанный язык, сохраняя свой характер и интонационные особенности.
Женские голоса: тон и характер
Выбор женского голоса влияет на восприятие вашего продукта. Наши голоса Aria, Nova и Luna подходят для разных сценариев: от новостей до развлечений.
Каждый голос имеет уникальный характер, но все они говорят на 23 языках. Вы можете настроить скорость от 0.25 до 4.0 для идеального ритма.
Aria: ясный нарратив
Aria — это ясный и чистый голос нарратора. Она идеально подходит для информационных диалогов, где важна точность и понятность. Используйте её для инструкций или новостей.
Голос обеспечивает нейтральное и профессиональное звучание, которое не отвлекает от контента. Это хороший выбор для деловых чат-ботов.
- Идеальна для навигации и инструкций.
- Четкая дикция без лишней эмоциональности.
- Подходит для деловых приложений.
Nova: энергичный и позитивный
Nova излучает яркий и позитивный настрой. Она отлично работает в сервисах, где нужно поддержать высокий тон общения. Подходит для приветствий и мотивирующих сообщений.
Используйте Nova в приложениях для здоровья или фитнеса, где энергия пользователя важна для удержания внимания.
- Создает позитивную атмосферу.
- Хороша для приветственных фраз.
- Удерживает внимание пользователя.
Luna: мягкая сказочная подача
Luna обладает мягкой и плавной манерой речи. Она подходит для сторителлинга, детских приложений или успокаивающих звуковых подсказок. Её тон снижает стресс у пользователя.
Используйте Luna для долгих диалогов, где важна нежность. Голос не раздражает при многократном прослушивании.
- Мягкая манера подачи.
- Идеальна для сторителлинга.
- Снижает стресс пользователя.
Мужские голоса: деловой стиль
Мужские голоса в VoiceBase API предлагают четкие стилистические решения для профессиональных задач. Каждый тембр настроен на конкретный сценарий взаимодействия, от новостных оповещений до персонализированной поддержки клиентов.
Atlas: нейтральные новости
Голос Атласа идеально подходит для информационных систем и уведомлений. Его нейтральная подача обеспечивает максимальную разборчивость сложной информации без лишней эмоциональной окраски.
Milo: дружелюбное общение
Мило создает ощущение живого диалога. Его разговорный тон снижает дистанцию между пользователем и чат-ботом, что критично для сервисов доставки или поддержки.
Orion: глубокое документальное звучание
Орион использует низкий регистр для создания атмосферы достоверности. Глубокий тембр хорошо воспринимается в обучающих материалах и длинных аудиогидах.
Маркетинговые и развлекательные голоса
Felix — это голос с энергичным тембром, идеально подходящий для динамичных сценариев. Его интонация помогает выделять ключевые сообщения в коротких рекламных роликах или push-уведомлениях, где важна мгновенная реакция пользователя.
Этот голос не требует разметки SSML, так как API не поддерживает этот формат. Вы можете использовать его для озвучивания акций или новостных лент без дополнительной постобработки.
Felix: энергичные промо
Голос Felix звучит бодро и настойчиво, что делает его отличным инструментом для маркетинговых кампаний. Его тембр позволяет сразу донести суть предложения, не перегружая слушателя лишними интонационными изгибами.
Используйте его для коротких сообщений до 4096 символов, чтобы обеспечить быструю генерацию аудиофайла. Высокая скорость речи (до 4.0) поможет уместить больше информации в ограниченное время воспроизведения.
- Идеален для рекламных интро и анонсов
- Экономит время за счет высокой скорости генерации
- Требует минимальной настройки параметров
Использование в играх
В игровой индустрии Felix подходит для озвучивания динамичных событий: набора очков, победы или активации бонусов. Его энергичная подача создает ощущение присутствия и вовлеченности без использования сложных движков синтеза.
Поскольку голоса основаны на лицензиях CC BY 4.0 и записаны из LibriTTS-R, вы можете быть уверены в юридической чистоте аудио для коммерческих продуктов. Аудиофайлы можно сразу интегрировать в интерфейс игры.
- Быстрая реакция на действия игрока
- Легкая интеграция через API
- Четкое звучание на фоне звуков эффектов
Привлечение внимания пользователя
Для удержания внимания пользователя в чат-ботах или голосовых помощниках важно использовать контрастные голоса. Felix выделяется на фоне более спокойных моделей, таких как Aria или Sage, привлекая фокус к важному сообщению.
Этот голос работает как триггер для переключения внимания пользователя с текста на аудио. Вы можете чередовать его с другими моделями, чтобы создать ритм диалога и избежать монотонности восприятия.
- Выделяется на фоне фоновых звуков
- Снижает когнитивную нагрузку при чтении
Контроль скорости речи
Скорость генерации речи настраивается параметром speed в диапазоне от 0.25 до 4.0. Это позволяет точно выверять темп произношения под конкретный сценарий использования, будь то медленное озвучивание инструкций или быстрый поток информации.
Диапазон от 0.25 до 4.0
Значение 1.0 соответствует естественному темпу. Уменьшение скорости до 0.25 делает речь более внятной и понятной, что полезно для сложных терминов или людей с нарушениями слуха. Ускорение до 4.0 позволяет сжимать длинные тексты, сохраняя разборчивость каждого слова.
- Минимальная скорость: 0.25x
- Максимальная скорость: 4.0x
- Стандарт: 1.0x
Влияние скорости на восприятие
Изменение темпа напрямую влияет на когнитивную нагрузку пользователя. Слишком быстрая речь может привести к потере ключевых деталей, особенно в голосовых ботах с длинными ответами. Оптимизация скорости помогает удерживать внимание без утомления слушателя.
Адаптация под разные аудитории
Для образовательных приложений рекомендуется снижать скорость до 0.75–0.9 для лучшего усвоения материала. В сервисах доставки или такси ускорение до 1.2–1.5 оправдано краткостью сообщений. Всегда тестируйте выбранный темп на реальных сценариях, чтобы найти баланс между информативностью и удобством.
Языковая совместимость голосов
Все 8 голосов универсальны и поддерживают 23 языка, включая русский, английский, немецкий и японский. Это позволяет одной модели обслуживать аудиторию из разных стран без загрузки дополнительных файлов.
Система не ограничена одним языком для конкретного голоса. Вы можете использовать один и тот же голос для генерации контента на английском или испанском, сохраняя единый стиль бренда.
Все голоса говорят на 23 языках
Наши голоса не привязаны к конкретному языку. Атрибуция голоса (например, "Aria" или "Atlas") сохраняется, меняется только фонетическая база. Вы получаете последовательный звуковой образ продукта на любом из поддерживаемых языков.
- Поддерживаемые языки: арабский, китайский, датский, голландский, английский, финский, французский, немецкий, греческий, иврит, хинди, итальянский, японский, корейский, малайский, норвежский, польский, португальский, русский, испанский, суахили, шведский, турецкий.
- Не поддерживаются: вьетнамский, индонезийский, тайский, украинский, румынский, чешский, бенгальский.
Адаптация акцентов
Голос сохраняет свой характер независимо от языка. Если вы не укажете язык, система попытается определить его по алфавиту. Для латиницы по умолчанию берется английский.
Правильное произношение названий
Для сложных текстов на латинице, отличных от английского (например, французские или немецкие названия), рекомендуется явно задавать параметр language. Это исключает ошибки произношения и делает речь естественной.
Выбор формата аудио
Выбор формата аудио влияет на скорость загрузки и качество воспроизведения в вашем приложении. API поддерживает MP3, WAV, OPUS, FLAC и PCM, позволяя гибко настраивать вывод в зависимости от требований платформы и типа контента.
Формат определяет баланс между размером файла и сохранением деталей звучания. Правильный выбор оптимизирует трафик и улучшает пользовательский опыт при взаимодействии с голосовыми помощниками и чат-ботами.
MP3 для веба
MP3 — универсальный стандарт для веб-интеграций благодаря сжатому размеру и широкой поддержке браузерами. Он идеально подходит для быстрой загрузки коротких фраз и интерактивных ответов в чат-ботах, обеспечивая приемлемое качество при минимальных задержках.
Используйте MP3, если приоритетом является скорость отклика интерфейса. Формат эффективно экономит трафик пользователей, что критично для мобильных сценариев использования.
- Сжатие с потерями, оптимальное для веб-страниц
- Поддержка всеми современными браузерами
- Малый размер файла для быстрого старта
WAV для качества
WAV предоставляет несжатое аудио высокого качества, сохраняя все нюансы интонации и тембра голоса. Этот формат подходит для записи в память устройства или для последующей обработки, где важна максимальная точность звучания.
Используйте WAV в сценариях, где критична чистота сигнала. Хотя файл занимает больше места, отсутствие артефактов сжатия делает речь более естественной и разборчивой.
- Несжатый PCM-данные
- Максимальное качество звука
- Подходит для архивации и обработки
OPUS для мобильных сетей
OPUS обеспечивает отличное качество при очень низких битрейтах, что делает его идеальным для мобильных сетей с нестабильным соединением. Формат эффективно адаптируется к условиям сети, сохраняя разборчивость речи даже при плохом сигнале.
Рекомендуется для мобильных приложений, где экономия трафика и стабильность соединения важны. OPUS обеспечивает плавное воспроизведение без прерываний даже в слабых сетях.
- Высокая эффективность сжатия
- Адаптация к битрейту
- Идеален для мобильных устройств
Технические ограничения голосов
Голоса VoiceBase API генерируются с использованием фиксированных моделей, что означает отсутствие динамического управления интонацией в реальном времени. Вы не сможете добавлять эмоциональные акценты или паузы через теги, так как интерфейс строго структурирован.
Это упрощает интеграцию, но требует внимательного подбора текста и скорости. Для точной настройки диалогов лучше использовать параметры speed и выбор подходящего предустановленного голоса, а не полагаться на скрытые разметки.
Отсутствие эмоций в теге
В отличие от некоторых продвинутых TTS-систем, здесь нет тегов для управления эмоциями (например, радости или грусти). Интонация определяется исключительно выбранным голосом и скоростью речи.
Если вам нужна конкретная эмоциональная окраска, выбирайте соответствующий пресет: например, nova для энергичного тона или sage для спокойного, instructional стиля. Это гарантирует предсказуемость результата.
Без SSML разметки
API не поддерживает SSML (Speech Synthesis Markup Language). Вы не сможете использовать теги для управления паузами, ударениями или изменением тембра отдельных слов.
Весь текст передается как plain text. Для контроля над произношением сложных терминов или имен рекомендуется проверять результат через тестовые запросы и корректировать написание слов, если это необходимо.
Стандартизированная интонация
Каждый из 8 голосов имеет заранее определенную манеру речи. Это обеспечивает единообразие звука во всем приложении, что критично для идентификации бренда.
Интонация остается постоянной независимо от длины текста или контекста. Для чат-ботов это означает, что пользователь всегда слышит одинаковый, знакомый голос, что повышает доверие.

Источники голосовых записей
Голоса в нашем API основаны на лицензионных записях из открытых источников, что обеспечивает прозрачность и юридическую чистоту используемых вокальных данных.
Мы не используем сложные нейросетевые модели с закрытыми датасетами, а опираемся на проверенные временем записи профессиональных дикторов и любителей.
Лицензия CC BY 4.0
Все голосовые пресеты распространяются под лицензией Creative Commons Attribution 4.0 International. Это означает, что вы можете использовать сгенерированные аудиофайлы в своих продуктах без дополнительных отчислений, при условии указания источника данных при необходимости.
- Полное право на коммерческое использование в чат-ботах и приложениях
- Отсутствие скрытых роялти за каждый миллион символов
- Прозрачные условия использования для продуктовых команд
Основа на LibriTTS-R
Базовым набором данных для обучения наших моделей служит LibriTTS-R — качественный набор данных с расшифровками. Он включает чистые аудиофайлы и текстовые транскрипты, что позволяет точно воспроизводить интонации и ритм речи.
Использование этого набора обеспечивает стабильное качество синтеза.
- Высокое качество исходных аудиозаписей
- Точная синхронизация текста и аудио
- Надежная база для 8 голосовых пресетов
Публичные аудиокниги
Многие голоса базируются на чтениях из LibriVox — проекта с аудиокнигами в общественном достоянии. Это дает естественное звучание, знакомое пользователям голосовых помощников.
Такой подход позволяет создать привычный и комфортный опыт взаимодействия для ваших пользователей без эффекта «роботизированного» голоса.
- Естественная интонация, проверенная временем
- Знакомый формат для пользователей голосовых интерфейсов
- Разнообразие акцентов и тембров
Практические примеры использования
API позволяет быстро адаптировать сценарии под конкретные задачи. Мы используем готовые голоса, чтобы диалоги звучали естественно, но не выдумываем новые функции.
Голосовой помощник банка
Для финансовой сферы подходит голос Atlas. Его нейтральный тон хорошо воспринимается при транзакциях. Скорость можно снизить до 1.0 для ясности.
- Использование модели tts-1
- Ясный, нейтральный тембр
- Подходит для уведомлений
Бот для доставки еды
Голос Nova добавляет энергии в процесс заказа. Быстрая речь до 2.0 удерживает внимание пользователя.
- Энергичный женский голос
- Высокая скорость до 2.0
- Привлечение внимания
Образовательный чат-бот
Голос Luna идеально подходит для обучения. Мягкая подача материала снижает стресс. Можно использовать опус для экономии трафика на мобильных устройствах.
- Мягкая сказочная подача
- Комфортная скорость 0.75
- Поддержка формата opus
Настройка параметров генерации
Настройка параметров генерации позволяет точно настроить выводимый звук под конкретные задачи вашего приложения. Правильная конфигурация языка, скорости и модели влияет на восприятие пользователем и снижает нагрузку на лимиты запросов.
Установка языка вручную
Если текст написан на латинице, но не на английском, система может неверно определить язык по умолчанию. Явное указание кода ISO в параметре language гарантирует корректное произношение имен собственных и терминов, исключая ошибки акцента.
- Указывайте
languageдля неанглийских текстов на латинице. - Система автоматически определяет язык по скрипту, если параметр не задан.
Корректировка скорости
Параметр speed регулирует темп речи в диапазоне от 0.25 до 4.0. Ускорение полезно для информирования о статусе заказа, а замедление улучшает понимание сложных инструкций. Помните, что запросы обрабатываются последовательно, поэтому экстремальные значения могут влиять на время отклика в очереди.
- Диапазон значений: от 0.25 до 4.0.
- Оптимальная скорость зависит от сложности контента и целевой аудитории.
Выбор модели tts-1 или tts-1-hd
Доступны две модели: tts-1 и tts-1-hd. Они используют один и тот же движок синтеза и стоят одинаково. Выбор зависит только от требуемого качества аудиофайла и доступной полосы пропускания, так как цена за символ остается неизменной для обеих версий.
- Обе модели используют одинаковый движок синтеза речи.
- Тарификация за символ идентична для
tts-1иtts-1-hd.
Тестирование голосов в продакшене
Тестирование голосов в реальных условиях помогает убедиться, что выбранный тембр и скорость речи соответствуют ожиданиям вашей аудитории. Поскольку запросы обрабатываются последовательно, при высокой нагрузке генерация может занимать больше времени, что стоит учитывать при планировании UX чат-бота.
Мы рекомендуем запускать A/B тесты на реальных пользователях, чтобы оценить, насколько естественно звучат ответы вашего помощника в разных сценариях.
A/B тестирование диалогов
Сравните разные голоса, например, спокойного Atlas и энергичного Felix, на одинаковых сценариях. Отправляйте текст через API и слушайте результаты, обращая внимание на то, как быстро пользователь понимает информацию.
Используйте стандартные параметры скорости от 0.25 до 4.0, чтобы найти оптимальный баланс между естественностью и скоростью ответа бота.
- Сравнивайте женские и мужские тембры в одной языковой среде.
- Тестируйте короткие фразы и длинные абзацы отдельно.
Сбор обратной связи пользователей
Спросите у пользователей, комфортно ли им воспринимать речь на слух. Убедитесь, что скорость не сбивает с толку и интонация не кажется монотонной.
Обратите внимание на время отклика: короткие фразы генерируются за несколько секунд, а длинные тексты обрабатываются в реальном времени, что может влиять на поток диалога.
- Запрашивайте оценку понятности ответа.
- Фиксируйте моменты, где пользователи прерывают разговор.
Оптимизация сценариев
Анализируйте метрики использования API: сколько символов уходит на ответ и как часто возникают ошибки синтеза. Если генерация задерживается, попробуйте упростить текст или разбить его на части.
Настройте язык вручную, если он определяется неверно, чтобы избежать лишних пауз на переключение акцента.
- Оптимизируйте длину входного текста.
- Корректируйте параметры скорости для конкретных сценариев.
Будущее голосовых интерфейсов
Голосовые интерфейсы перестают быть нишевой функцией и становятся стандартом коммуникации. Пользователи ожидают естественного звучания в любых сценариях — от умного дома до сложной аналитики. API позволяет быстро внедрять качественную речь в продукты без создания собственных студий.
Рост популярности голосовых ботов
Текст в речь становится ключевым элементом UX. Продуктовые команды используют TTS для снижения когнитивной нагрузки при чтении длинных ответов. Это особенно важно для голосовых помощников, где визуальный экран ограничен.
- Упрощение взаимодействия для пользователей в движении
- Снижение времени на обработку информации
- Увеличение времени сессии в голосовых приложениях
Стандартизация интерфейсов
Использование familiar API-паттернов (как у OpenAI) ускоряет интеграцию. Разработчики знают структуру запросов, что снижает порог входа. Единый формат данных позволяет легко менять движок синтеза, не переписывая логику приложения.
- Предсказуемость структуры запросов
- Готовые SDK (OpenAI SDK) для популярных языков
- Простая замена поставщика услуг
Роль API в экосистеме
API становится связующим звеном между текстовыми LLM и голосовым интерфейсом. Это позволяет создавать гибкие мультимодальные продукты. Независимость от конкретного вендора дает командам свободу в выборе голоса и формата вывода.
- Интеграция с LLM для генерации ответов
- Гибкость выбора форматов аудио
- Возможность масштабирования без ограничений по лицензиям
Послушайте 8 голосов
Каждый образец ниже сгенерирован этим API из одного и того же предложения. Голосовые помощники и чат-боты становятся ключевыми инструментами для продуктивных команд, упрощая взаимодействие с клиентами и автоматизируя рутинные задачи в современном цифровом пространстве
23 языка
Любой голос может говорить на любом из этих языков.
Источники и дополнительные материалы
- Wikipedia
- ISO 639 language codes
- TRON developer hub: TRC-20
- OpenAI API reference: create speech
- LibriTTS-R corpus (OpenSLR 141)
- LibriTTS-R paper (arXiv 2305.18802)
- curl documentation
- W3C WAI: making audio and video accessible
- IETF RFC 7845: Ogg Opus
- Creative Commons Attribution 4.0
- MDN: Web Speech API
- Tether (USDT)
