Как мы воевали с ударениями в русской TTS-озвучке: гейт перед синтезом, текстовые подмены и открытые вопросы
Делаю «Канал 15» — рацию-компаньон для Euro Truck Simulator 2: восемнадцать выдуманных дальнобойщиков болтают в эфире у игрока, отвечают на голос и запоминают его между рейсами. К озвучке у нас три движка: ElevenLabs (eleven_v3), OpenAI-совместимый gpt-audio через OpenRouter и локальный клон на XTTS. Пул текстов — порядка четырёх тысяч реплик, и почти сразу выяснилось, что все три движка по-разному, но уверенно ставят русские ударения не туда. Ночное приветствие «гудни» читалось как «гУдни» — как команда, «йогУрты», «кОзел» вместо, ну вы поняли, клички и позывные вроде «михалЫч» и «биби, кни» ломались каждый по-своему. Здесь — что я построил, где уперся в стену и что так и осталось открытым вопросом. Читать далее
