Перейти к содержанию
суббота, 21 ноября 2026 г.

ИИ Вестник

Главные новости о развитии искусственного интеллекта в России

Разработчик подключил GigaChat и GigaAM к русской TTS-озвучке

Developer at desk integrating AI speech models, Russian TTS pipeline on screen, focused coding.
Generated by Sourceful Riverflow (RouterAI)

Разработчик из потока «Разработка» рассказал, как заставил две модели Сбера автоматизировать рутину в русской озвучке: GigaChat расставляет ударения, а GigaAM проверяет качество синтеза. Словарь ударений вырос с 51 до 101 слова, но путь оказался не таким гладким, как ожидалось.

Автор публикации в потоке «Разработка» описал практический опыт интеграции двух нейросетей Сбера — GigaChat и GigaAM — в собственный пайплайн русской TTS-озвучки. Исходная проблема была знакома всем, кто работает с синтезом речи: три используемых TTS-движка уверенно ставили русские ударения не туда, из-за чего, например, слово «гудни» читалось как «гУдни». Штатные словари произношения ElevenLabs на тарифе разработчика оказались закрыты, поэтому до поры до времени он жил на гейте ruaccent плюс ручной словарь подмен, насчитывавший 51 слово. Работало это, по его собственному признанию, но требовало ручного труда, и именно эту рутину он решил переложить на языковые модели.

Первая задача касалась расстановки ударений. Идея была простой: отдать LLM весь банк текстов и собрать на выходе готовый лексикон ударений. У GigaChat есть бесплатный тир на год, включающий 250 млн токенов Lite, 40 млн Pro, 25 млн Max и 50 млн Ultra, а регистрация идёт по Client ID со scope GIGACHAT_API_PERS. Подключение занимает одну строку кода с указанием модели GigaChat-2-Pro. По словам разработчика, Lite в этой задаче оказался бесполезен и «мусорит», поэтому для прогона всего банка реплик использовалась только Pro. Результат: 7789 слов на входе и лексикон на 7462 слова, что дало 95,8% покрытия. Отдельный каприз модели — знак ударения ставится после ударной гласной, а не перед ней, как у ruaccent, и иногда обрывается хвост слова; это зафиксировали в промпте и парсере.

Главный технический урок касается работы с большими батчами. Лексикон, собранный одним крупным прогоном, нельзя импортировать в словарь напрямую: 32 коварных слова вроде «проскочила» и «куплена» выявлялись только перепроверкой малыми батчами. В одном прогоне модель ставила ударение так, в другом иначе, а в большой пачке враньё тонет и выглядит уверенно. Отсюда родилось правило, которое разработчик оставил у себя навсегда: лексикон оптом — только источник кандидатов, кандидат проходит верификацию малым батчем, а финальное слово остаётся за глазами человека по расхождениям между прогонами. Итог — плюс 50 слов, словарь вырос с 51 до 101, и ни одно из них автор не угадывал сам.

Вторая задача — контроль качества готовой озвучки: распознать сгенерированный wav и сравнить слова с эталоном. Для этого подключили GigaAM v3 через sherpa-onnx с весами на 222 МБ под лицензией MIT. На «чистых» dry-треках модель быстрая и точная, но с радиоэффектом — а вся озвучка «Канала 15» идёт через помехи и компрессор — она путается, и там приходится оставаться на whisper. Длинные файлы целиком GigaAM не ест: практический предел около 50 секунд, поэтому длинные треки режутся окнами по 30 секунд. Оба инструмента встроены в протокол: stress_suggest.py --giga предлагает ударения, а qa_recent.py и qa_recast.py --engine gigaam проверяют свежий пересинтез. Бонусом тем же GigaAM автор распознал свою шестиминутную запись с диктофона за секунды и почти без ошибок — на чистом голосе без помех он просто хорош.

Что не взлетело, автор перечисляет без прикрас: Lite-модель для ударений оказалась мусором, большие батчи галлюцинируют, GigaAM на «радио» с эффектами путается, а дорогие для него звуковые «свистоперделки» не несут информативного сигнала, так что на обработанных треках остаётся whisper. Длинные треки приходится резать окнами — это не лечится, это принято. Контекст рынка здесь показателен: разработчики русской TTS всё чаще собирают гибридные пайплайны из открытых и коммерческих моделей, поскольку ни один движок не даёт одновременно качественного синтеза, корректных ударений и устойчивости к постобработке. Опыт с GigaAM v3 под MIT и бесплатным тиром GigaChat показывает, что связка доступных инструментов может закрыть значительную часть рутины без дорогих подписок.

Для российского рынка этот кейс важен прежде всего как пример прагматичного использования отечественных моделей в реальном продакшене, а не в демо. GigaChat здесь выступает не генератором контента, а поставщиком кандидатов в словарь, что снижает риски галлюцинаций за счёт обязательной верификации. GigaAM, в свою очередь, демонстрирует пригодность для автоматического QA синтеза на чистых дорожках, хотя для эфирных записей с эффектами пока уступает whisper. Показательно и то, что автор сознательно отказывается от «умных» решений там, где они не работают, оставляя человека в контуре принятия финального решения по спорным словам.

Перспективы автор описывает без пафоса: нейросеть для него — инструмент, как отвёртка, только дороже. Словарь вырос вдвое без единой его догадки, а единственное слово, которое модель не смогла поставить уверенно ни разу, — то самое «гудни». Открытыми остаются вопросы масштабирования подхода на другие языки и домены, устойчивости малых батчей к редким словам и того, насколько стабильно GigaChat-2-Pro будет вести себя при росте банка реплик. Тем не менее кейс задаёт рабочий шаблон: LLM как генератор кандидатов, малые батчи как фильтр, человек как арбитр — и это уже ощутимая экономия ручного труда для любого проекта русской озвучки.

Читайте также