Text to Speech API: интеграция озвучки в приложение

Что такое Text to Speech API и зачем он нужен разработчику?

TTS API принимает текст и возвращает аудио — MP3, WAV или OGG — в одном HTTP-запросе. Разработчику не нужно разбираться в синтезе речи: это слой абстракции, за которым стоит нейросетевая модель провайдера.

Старые TTS-движки склеивали заранее записанные куски речи — на стыках слышны были «швы» и роботизированный ритм. Современные модели обучены на миллионах часов живой речи и генерируют паттерны интонации целиком, включая паузы и смех. Разница слышна с первой фразы.

Типичные сценарии:

• голосовые реплики Telegram-бота или ассистента

• приветствие в IVR / автоответчике

• озвучка карточек товаров и рекламных роликов

• нейровитубер или персонаж для стрима в реальном времени

• обучающие материалы с озвучкой на иностранном языке

Ключевой параметр для интерактивных сценариев — задержка до первого чанка аудио. Порог восприятия: менее 500 мс. Если ответ приходит дольше — диалог ощущается как «мёртвый».

Google Text to Speech API vs Fish Audio API vs другие: что выбрать для русского языка?

Google Cloud TTS — зрелый сервис с поддержкой 40+ языков и WaveNet-моделями. Хорошо работает в экосистеме GCP. Для русского — приемлемо, но не лидер по естественности интонации. Тарификация — по символам, с автосписанием при превышении бесплатного лимита; страница квот обновлена 14 июля 2026 г., конкретные цифры бесплатного лимита Google оговаривает право менять.

Fish Audio — по оценке рейтинга Novita AI (май 2026), лучший API для клонирования голоса среди мультиязычных провайдеров. Клон строится из образца длиной 30 секунд, без дообучения модели (zero-shot). Именно на движке Fish Audio работает Speakmi (Спикми).

Fish Audio — товарный знак его правообладателя. Мы не являемся его представителем или партнёром; используем API Fish Audio как поставщика технологии синтеза речи.

ElevenLabs — лидер по качеству голоса в независимых тестах. Multilingual v3 работает с русским без акцента. Минус — цена: стандартная модель стоит $200 за 1 млн символов, Turbo-версия вдвое дешевле ($100 за 1 млн символов), но у Turbo есть фоновый белый шум. Задержка Turbo v2.5 — около 300 мс до первого чанка.

Yandex SpeechKit v3 — сильный вариант для русского, работает по gRPC, аутентификация через IAM-токен. Оценивает весь текст перед синтезом, что даёт стабильные ударения.

Таблица сравнения (данные на сентябрь 2026):

Для русского языка в коммерческих проектах — SpeechKit или Fish Audio. Для мультиязычного продукта с клонированием — Fish Audio или ElevenLabs (если бюджет позволяет).

Как подключить Text to Speech API: пошаговая интеграция на примере Speakmi

Speakmi не раскрывает публичный API как готовую функцию — он в разработке. Пример ниже показывает универсальную логику подключения любого TTS API с OpenAI-совместимым эндпоинтом (AITUNNEL, Zowy, GenVoice и другие реализуют тот же паттерн).

1. Получить API-ключ

Зарегистрируйся на сайте провайдера, перейди в раздел API / Developer, создай ключ. Храни его в переменной окружения, не в коде.

2. Сформировать запрос

Стандартный OpenAI-совместимый эндпоинт:

POST https://<provider>/v1/audio/speech
Authorization: Bearer <API_KEY>
Content-Type: application/json

{
  "model": "tts-1",
  "input": "Привет, это тестовая озвучка.",
  "voice": "alloy",
  "response_format": "mp3"
}

Для AITUNNEL достаточно сменить base_url — структура запроса идентична OpenAI.

3. Обработать аудио-ответ

Ответ — бинарный поток. В Python:

import requests, os

response = requests.post(
    "https://api.aitunnel.ru/v1/audio/speech",
    headers={"Authorization": f"Bearer {os.environ['API_KEY']}"},
    json={"model": "tts-1", "input": "Текст для озвучки", "voice": "alloy"}
)
with open("output.mp3", "wb") as f:
    f.write(response.content)

Если провайдер возвращает сырой PCM (например, Zowy — WAV 24 kHz mono), конвертируй через FFmpeg:

ffmpeg -i input.wav -codec:a libmp3lame output.mp3

4. Встроить в приложение или бота

Для Telegram-бота на Aiogram — отправь файл методом send_audio или send_voice. Установи лимит на длину входного текста (разумный потолок — 20 000 символов за один запрос, иначе модель сама бьёт текст на чанки и на стыках могут появляться артефакты).

5. Задеплоить

Для MVP — Railway: деплой прямо из GitHub-репозитория по кнопке, без настройки инфраструктуры. Для продакшна с нагрузкой — Hetzner или AWS.

Сколько стоит Text to Speech API: как считать токены и не переплатить?

Большинство TTS API тарифицирует по числу символов (или токенов), отправленных на синтез. Логика простая: чем длиннее текст — тем больше списывается.

Как считать бюджет:

• Одна минута русской речи ≈ 800–1000 символов.

• 1000 минут контента ≈ 800 000–1 000 000 символов.

• ElevenLabs Standard: 1 млн символов = $200 → минута ≈ $0,20.

• ElevenLabs Turbo: 1 млн символов = $100 → минута ≈ $0,10.

• Speakmi: стоимость минуты — около 10–13 ₽, цена видна до нажатия «Озвучить».

Токены у Speakmi не сгорают: купил пакет — списывается только то, что реально озвучил, хоть сегодня, хоть через полгода.

Три правила, чтобы не переплатить:

1. Обрезай пробелы и лишние переносы до отправки — они тоже считаются символами.

2. Кешируй результат: если один и тот же текст озвучивается повторно — отдавай сохранённый файл, не делай новый запрос.

3. Используй Turbo/Flash-модели для черновиков — они дешевле, для финального варианта переключись на стандартную.

Отдельный риск: у Google Cloud TTS биллинг включается автоматически при превышении лимита. Если не выставлен алерт на бюджет — счёт может прийти неожиданно. Настрой Monitoring API usage сразу после подключения.

Text to Speech Pro: чем платные тарифы отличаются от бесплатных?

Коротко: бесплатный уровень — для тестирования, платный — для продакшна.

Важный нюанс по ElevenLabs: на тарифе Creator и выше доступна автоматическая докупка токенов при исчерпании лимита — сервис не останавливается посреди месяца. Неиспользованные токены переносятся на следующий месяц, если подписка активна.

Для Professional Voice Cloning в ElevenLabs нужен датасет 30 минут записей. Для zero-shot клонирования в Fish Audio достаточно 30 секунд — это принципиальная разница, если нужен быстрый прототип.

Speakmi: первые 30 секунд озвучки бесплатно — можно оценить качество голоса до оплаты. Попробовать на speakmi.ru.

Какие форматы вывода поддерживает TTS API: MP3, WAV, OGG — что выбрать?

MP3 — универсальный выбор для большинства задач: маленький размер, воспроизводится везде. WAV — без потерь, нужен, если дальше будешь обрабатывать аудио в редакторе. OGG/Opus — оптимален для Telegram (бот возвращает голосовые сообщения именно в этом формате).

Zowy отдаёт WAV 24 kHz mono или сырой PCM — для Telegram нужна конвертация через FFmpeg. Большинство других провайдеров поддерживают MP3 напрямую.

Правило: если конечный пункт — Telegram-бот, проверь, принимает ли метод send_voice твой формат. Для send_audio подходит MP3. Для send_voice — OGG/Opus.

Как встроить TTS API в Telegram-бота или веб-приложение без бэкенда?

Telegram-бот — самый быстрый путь до пользователя. Бот удобнее веб-приложения на телефоне: не нужно открывать браузер, авторизовываться, нажимать лишние кнопки.

Минимальная архитектура бота с озвучкой (Python + Aiogram):

1. Пользователь отправляет текст или Markdown-файл.

2. Бот передаёт текст на TTS API.

3. Получает MP3 в ответе.

4. Отправляет аудио пользователю через send_audio.

Лимит обрабатываемого текста за один запрос — 20 000 символов. Длиннее — дели на части вручную, иначе модель сама нарежет текст на чанки и на стыках появятся артефакты. Их можно вырезать в аудиоредакторе, но проще не допускать.

Деплой без бэкенда в классическом смысле — Railway: подключаешь GitHub-репозиторий, нажимаешь Deploy. Для MVP этого достаточно.

Веб-приложение без бэкенда (serverless):

• Используй Cloudflare Workers или Vercel Edge Functions — они выполняют запрос к TTS API на сервере, ключ не попадает в браузер.

• Не вызывай TTS API напрямую из браузерного JS — API-ключ окажется в открытом виде в коде.

Готовый Telegram-бот на базе Gemini 2.5 Flash TTS через Langchain, задеплоенный на Railway, — рабочая схема, которую реализуют за один вечер. Gemini TTS поддерживает 30+ голосов и лимит контекста 32 000 токенов за запрос.

---