Делаю «Канал 15» — программу-компаньон для Euro Truck Simulator 2: восемнадцать выдуманных дальнобойщиков ведут радиоэфир у игрока, отвечают на речь, помнят игрока между рейсами. Файлы игры не трогаю — читаю телеметрию из общей памяти, голоса синтезирую заранее. В этой статье — как за один рабочий день в эфир добавились три механики: игровые новости дня, которые озвучивает персонаж-бухгалтерия, приветствия зрителей стримера и голосовая благодарность за донаты. Плюс то, чем это обернулось с точки зрения инфраструктуры.

Постановка задачи

Ограничения, из которых строилось решение:

1. Голоса синтезируются заранее. Никакого runtime-TTS: эфир должен работать офлайн, без интернета, с задержками на уровне «следующая реплика из колоды».Сейчас задаюсь вопросом о важности данного ограничения, но оно добавляет интереса.

2. Любой текст проходит ухо человека до озвучки. Пул реплик генерируется ИИ-помощниками, но в эфир попадает только одобренное и прослушанное. Это жёсткое правило проекта, а не рекомендация. .

3. Новые механики не должны ломать стабильную сборку. Релизная версия рации используется на стримах, поэтому всё новое выкатывается за флагами.

Задача дня: дать эфиру актуальный повод для разговора и отвечать выдуманным донатерам голосом выдуманного персонажа, а не строкой в чате.

Архитектура решения

Сводка новостей читается "бухгалтерией" — персонаж, который и так шлёт игроку голосовые сообщения за любой «штраф», его голос под роль подходит. Комментарии к новости раздают сами водители. Донаты ловит отдельный детектор: скрипт опрашивает DonationAlerts либо аналог и по событию доната запускает заранее одобренную и озвученную благодарность.

Пайплайн одной реплики:

черновик (генерирует ИИ-помощник по начитаному человеком брифу)
  → одобрение тем же человеком (правка или отбраковка)
    → синтез (ElevenLabs; копейки за реплику)
      → QA распознаванием 
        → запись в колоду эфира
          → пилотный флаг в конфиге → эфир

Все три новые механики — новости, приветствия зрителей, благодарности за донаты — включены отдельными флагами в конфиге рации (stream_news_pilot, stream_greet_pilot, donation_pilot). По умолчанию выключены, на стрим включаются отдельно. За день через пайплайн прошло 23 реплики, все три механики ушли в эфир одним рабочим днём.

Детали реализации

Флаги в конфиге, а не ветки в git. Пилотные механики живут в одном коде со стабильным эфиром, отключены полем конфигурации. Плюсы: не поддерживаем форки, стенд прогоняет один и тот же код с включёнными флагами; откат — смена конфига, а не откат коммитов. Минус, который записали в правила: каждый пилотный флаг обязан проходить стенд с включённым состоянием, иначе незаметно получаем мёртвую ветку кода. Наш стенд — симуляция поездок с фиксированными сидами; критерий приёмки пилота — 20/20 зелёных прогонов без новых предупреждений линтера.

QA озвучки — два контура, оба локальные. Первый контур срабатывает до синтеза и решает главную болезнь TTS — ударения. Дальнобойный жаргон синтезаторы ломают наотмашь: «гудни» (от goodnight, пожелание спокойной ночи в эфире) упорно выходит как «гУдни». На этот случай в проекте живёт словарь ударений (101 слово, пополняется по инцидентам). Скрипт прогоняет текст реплики через ruaccent и сверяет со словарём; расхождение — стоп, реплика на правку. А в синтез текст уходит с принудительной подменой — удвоенной ударной гласной («гуднии»): грубый, но надёжный способ заставить синтезатор поставить ударение туда. Кандидатов в словарь предлагает GigaChat (бесплатные пакеты Сбера), но источник истины — словарь, модель здесь только советчик, её разметка подтверждается головой.

Второй контур — после синтеза. Готовый трек слушает распознаватель GigaAM v3 — открытая ASR-модель Сбера, крутится локально, бесплатно и без сети. Распознанный текст сверяется с эталоном (порог совпадения 0.8): потерянное слово или не то ударение вылезают сразу, подозрительное уходит на ручное прослушивание. Слушать каждую реплику самому дороже, и ухи устали, чем прогнать автоматику, — а ловит контур те же типовые дефекты.

Детектор донатов — отдельный процесс. Он не знает ничего про эфир: получил событие — поставил одобренную реплику в очередь эфира. Благодарности текстом не генерируются на лету: для стрима готовился пул, донат лишь выбирал из него.

Перехватчик YouTube — официальный API и индивидуальный токен. Стрим-метрики (зрители, сообщения чата, подписчики, Super Chat) рация забирает через YouTube Data API v3, без скрейпинга: liveBroadcasts.list находит активный эфир и отдаёт liveChatId (кэшируется на сессию), дальше идёт поллинг liveChatMessages.list — до 200 сообщений за вызов, плюс счётчики зрителей и подписчиков. Всё это работает на OAuth-токене владельца канала с read-only scope, и зависимость тут жёсткая: перехватчик привязан к конкретному каналу и конкретной машине стримера. Токена нет — а у обычного игрока его нет — пилот молча выключается, эфир живёт дальше без него. Поэтому весь стрим-контур сидит за флагами, и по умолчанию выключен, дистрибутив рации от него не зависит, а стримерская машина получает его после однократной авторизации в Google Cloud (свой проект, экран согласия, read-only scope). Расход квоты заложен с запасом: опрос съедает ~330 единиц в час при дневном лимите 10 000 — даже трёхчасовой эфир тратит около десятой части дневного бюджета.

Отдельная грабля, о которую разбился не я один: у OAuth-приложения в статусе «Testing» refresh-токен живёт семь дней, и авторизация слетает каждую неделю ровно посреди работы. Лечение — перевести приложение в production (кнопка «Publish app» в экране согласия); верификация для однопользовательского приложения не нужна. После перевода токен живёт долго, и недельная рутина исчезает.

Стоимость. Синтез одной реплики — несколько центов. Весь пул дня (23 реплики, ~3,8 тыс. символов суммарно) стоит около доллара — меньше чашки кофе, поэтому итерации «переписал — переозвучил» не столь болезненны.

Выводы

  1. Для прегенерированного голосового контента пайплайн «черновик → обязательное одобрение человеком → синтез → QA распознаванием → фичефлаг» позволяет выкатывать новую механику эфира за день, не трогая стабильную сборку.

  2. Фичефлаги в конфиге дешевле веток, но обязывают гонять стенд с включённым пилотом — иначе флаг превращается в скрытый мёртвый код.

  3. Синтез реплик — копеечная статья, итерации текста дёшевы. Дорогое — время и квота ИИ-помощников, их лимиты надо закладывать в план дня, а не обнаруживать вечером.