Занимавшиеся контент-операциями, учебными материалами или описаниями продуктов, скорее всего, видели такой процесс: после утверждения текста его отправляют коллегам по озвучке, ждут очереди, правок, экспорта; получив аудио, затем загружают его в облачное хранилище или объектное хранилище и, наконец, вставляют ссылку обратно на страницу.

Каждый шаг несложный, но когда этапов становится много, даже аудио длительностью в несколько десятков секунд может затянуться на день-два. Особенно для таких материалов, как внутреннее обучение, обновления функций и уведомления о мероприятиях, на самом деле обычно требуется не сложное производство, а понятное, стабильное аудио, которое можно воспроизвести напрямую.

Редактор контента сверяет текст и форму аудиоволны на рабочем столе

Когда текст, генерация, загрузка и распространение разбросаны по разным инструментам, процесс озвучки легко затягивается.

Проблема не только в «генерации»

Многие демонстрации TTS выглядят очень просто: введите текст и получите аудио. Но в реальном бизнесе возникают ещё несколько проблем:

  • После того как интерфейс возвращает аудиоданные, всё равно нужно самостоятельно сохранить файл, загрузить его в хранилище и сгенерировать ссылку;
  • Генерация длинного текста занимает больше времени, и после разрыва HTTP-соединения сложно определить статус задачи;
  • Операционным сотрудникам нужно знать, какое аудио уже готово, а разработчикам — учитывать стоимость каждой генерации;
  • MP3, WAV и PCM предназначены для разных сценариев использования, поэтому нельзя применять для всех одну и ту же конфигурацию.

Поэтому более практичная цель — не «уметь сгенерировать звук», а превратить текст в воспроизводимый, отслеживаемый и готовый к дальнейшему использованию аудиорезультат.

Получите воспроизводимую ссылку с помощью одного интерфейса

Адрес интерфейса Fish TTS от AceDataCloud:

POST https://api.acedata.cloud/fish/tts

В заголовках запроса используется Token платформы:

authorization: Bearer {token}
content-type: application/json

Для минимального запроса достаточно указать текст и формат вывода:

{
  "text": "产品更新已经完成，欢迎体验新功能。",
  "format": "mp3"
}

После успешной генерации ответ предоставит audio_url. Он указывает на CDN платформы, его можно напрямую вставить в веб-плеер, а также передать в уведомления, видеосборку или систему управления материалами. Поле cost в ответе можно использовать для учёта фактических расходов на этот запуск.

Этот шаг избавляет от распространённой цепочки «получение бинарных данных — загрузка в объектное хранилище — настройка адреса доступа». Однако для рабочего использования всё же рекомендуется сохранять копию аудио в соответствии с собственной стратегией архивирования и не считать внешнюю ссылку единственной резервной копией.

Сначала выберите правильный формат вывода

Три распространённых формата имеют разные приоритеты:

  • MP3: небольшой размер, подходит для воспроизведения на веб-страницах, обмена в сообщениях и большинства способов распространения контента;
  • WAV: подходит для процессов монтажа, сведения и обработки громкости;
  • PCM: подходит для дальнейшей обработки в клиентских приложениях или аудиообрабатывающих цепочках. Интерфейс возвращает 16-битный PCM в контейнере WAV.

Также можно задать частоту дискретизации через sample_rate и выбрать mp3_bitrate между 64, 128 и 192 kbps. Вместо того чтобы сразу стремиться к максимальным характеристикам, лучше сначала определить стандарт в соответствии с каналом размещения, чтобы сократить последующее повторное перекодирование.

Не ждите соединение постоянно при работе с длинным текстом

Для коротких текстов из нескольких предложений обычно достаточно синхронного вызова. Для статей, курсов и длинного закадрового текста может потребоваться десять или более секунд; если фронтенд всё это время ждёт, колебания сети легко приводят к повторным отправкам и неясному статусу.

В этом случае в запрос можно добавить callback_url:

{
  "text": "这里是一段较长的课程旁白……",
  "format": "mp3",
  "callback_url": "https://example.com/webhooks/fish-tts"
}

Сначала интерфейс вернёт task_id и started_at, а после завершения задачи отправит итоговый результат методом POST на адрес обратного вызова. Также можно активно запрашивать статус задачи через Fish Tasks API. callback_url — это расширение, добавленное AceDataCloud относительно официального интерфейса, которое больше подходит для пакетных задач и работы с длинными текстами.

Команды разработки и контента вместе сверяют аудиозадачи и плеер

После отправки задачи аудио генерируется асинхронно, а результат автоматически возвращается в контентную систему, поэтому операционным сотрудникам не нужно постоянно следить за страницей.

Простой, но достаточный рабочий процесс

При практическом внедрении процесс можно ограничить шестью шагами:

  1. Контент-специалисты отправляют и подтверждают текст;
  2. Бэкенд вызывает Fish TTS;
  3. Для короткого контента результат получается синхронно, для длинного сохраняется task_id;
  4. После получения audio_url и cost обновляется запись задачи;
  5. Аудио поступает на прослушивание, в плеер на странице или в последующий процесс создания видео;
  6. Неудачные задачи обрабатываются согласно кодам ошибок, чтобы избежать безусловных повторных отправок.

Рекомендуется, чтобы таблица задач как минимум содержала: ID бизнес-контента, версию текста, формат вывода, ID задачи, адрес аудио, стоимость, статус и время завершения. Тогда после изменения текста можно будет точно понять, какой версии аудио он соответствует.

Завершение генерации не означает, что можно сразу публиковать

AI-озвучка может сократить время подготовки стандартизированного контента, но материалы для официальной публикации всё равно нужно прослушивать. Особое внимание следует уделять числам, английским сокращениям, собственным именам, паузам между фразами и громкости. Для таких материалов, как брендовая реклама и исполнение ролей, где высоки требования к эмоциям, также может потребоваться запись человеком или дополнительная постобработка.

Более подходящее распределение ролей таково: интерфейс отвечает за стабильную генерацию и предоставление ссылок, а команда — за текст, восприятие на слух и решение о публикации. Это позволяет и повысить эффективность, и не воспринимать автоматизацию как гарантию качества сама по себе.

Связанные ссылки