Коротко о том, что было: три TTS-движка уверенно ставят русские ударения не туда («гудни» читалось как «гУдни»), словари произношения ElevenLabs на моем тарифе закрыты, поэтому живу на гейте ruaccent плюс ручной словарь подмен — было 51 слово. Работает, но руками.
Здесь — как я заставил две модели Сбера разгрести рутину, и главный урок, за который стоило всё это затеять.
GigaChat расставляет ударения
Идея: отдать LLM весь банк текстов и собрать лексикон ударений. У GigaChat есть бесплатный тир на год (250 млн токенов Lite, 40 млн Pro, 25 млн Max и 50 млн Ultra), регистрация по Client ID, scope GIGACHAT_API_PERS. Подключение — одна строка:
giga = GigaChat(credentials=..., verify_ssl_certs=False, scope="GIGACHAT_API_PERS", model="GigaChat-2-Pro")
Lite в этой задаче бесполезен — мусорит. Только Pro. Прогон всего банка реплик: 7789 слов, на выходе лексикон на 7462 слова (95.8% покрытия).
Отдельный каприз модели: знак ударения она ставит ПОСЛЕ ударной гласной (не перед, как ruaccent) и иногда обрывает хвост слова. Тут расследовать было нечего: зафиксировали в промпте и парсере — и поехали дальше.
Главный урок: большие батчи галлюцинируют
Вот ради чего стоило писать эту статью. Лексикон, собранный одним большим прогоном, нельзя импортировать в словарь напрямую. 32 коварных слова — вроде «проскочила» и «куплена» — ловились только перепроверкой малыми батчами: в одном прогоне модель ставила ударение так, в другом иначе, а в большой пачке враньё тонет и выглядит уверенно. Правило, которое осталось у нас навсегда: лексикон оптом — только как источник кандидатов; кандидат проходит верификацию малым батчем; финальное слово — за глазами человека по расхождениям между прогонами. Итог: +50 слов, словарь вырос с 51 до 101, и ни одно из них я не угадывал сам.
GigaAM слушает, что мы наговорили
Вторая задача — контроль качества готовой озвучки: распознаём сгенерированный wav и сравниваем слова с эталоном. Сюда встал GigaAM v3 (sherpa-onnx, веса 222 МБ, лицензия MIT). Для «чистых» dry-треков он быстрый и точный, но с радиоэффектом — вся озвучка «Канала 15» идёт через помехи и компрессор — путается, там остаётся whisper. Длинные файлы целиком не ест: практический предел около 50 секунд, поэтому длинные треки режем окнами по 30 секунд. Оба инструмента встроены в протокол: stress_suggest.py --giga предлагает ударения, qa_recent.py и qa_recast.py --engine gigaam проверяют свежий пересинтез.
Бонус, которого не ждал: тем же GigaAM распознал свою шестиминутную запись с диктофона — за секунды, почти без ошибок. На чистом голосе без помех он просто хорош.
Что не взлетело
Lite-модель для ударений — мусор. Большие батчи — см. выше, это главная грабля. GigaAM на «радио» с эффектами — путается, свистоперделки дороги для него не информативный сигнал, остаёмся на whisper. Длинные треки — режем окнами, это не лечится, это принято.
Вместо вывода
Нейросеть для меня — инструмент, как отвёртка, только дороже. Словарь вырос вдвое без единой моей догадки, а единственное слово, которое модель не смогла поставить уверенно ни разу — «гудни».