Озвучка текста онлайн Яндекс Спич Кит — это синтез речи в интерфейсе Yandex AI Studio или через API: вставляете текст, выбираете голос, получаете аудиофайл. Отдельного голоса с именем alice в списке синтеза нет: для женской озвучки в мягкой подаче берут голос alena в амплуа good.
Коротко, что важно знать до старта:
- SpeechKit переехал: документация с yandex.cloud/docs/speechkit теперь открывается на aistudio.yandex.ru — сервис входит в Yandex AI Studio как модуль AI Speech.
- Голос alice в API синтеза отсутствует. У русских голосов свои наборы амплуа: нейтральное, радостное, строгое, дружелюбное, шёпот.
- Цена зависит от сценария, версии API и режима работы — так тарификацию описывает страница AI Speech.
- Один запрос к синтезу v1 — максимум 5 000 символов, длинный текст режут на части.
- Бесплатного тарифа у SpeechKit нет — нужен активный платёжный аккаунт в статусе ACTIVE или TRIAL_ACTIVE.
Если вы выбираете инструмент под задачу, посмотрите ТОП-5 нейросетей для озвучивания видео — там сравнение по цене и качеству. Для сценария «озвучить длинный контент» полезен разбор, как перевести видео с ютуба.
Что такое Yandex SpeechKit и где он находится сейчас
Yandex SpeechKit — набор речевых технологий Яндекса: синтез речи (Text-to-Speech) и распознавание речи (Speech-to-Text). СпичКит используют в голосовых роботах, чат-ботах, автоответчиках, навигации и озвучке контента. На странице AI Speech сервис описан как модуль платформы Yandex AI Studio.
Главное изменение, из-за которого ломаются старые инструкции: SpeechKit больше не живёт по адресу yandex.cloud/ru/docs/speechkit. Этот URL переадресует на aistudio.yandex.ru/docs/ru/. Сервис стал частью Yandex AI Studio — раздел AI Speech. Биллинг и консоль остались в Yandex Cloud, а документация и веб-интерфейс синтеза переехали.
Работать со СпичКитом можно двумя способами, и выбор между ними определяет всё остальное:
- Интерфейс AI Studio (Playground) — без кода. Вставили текст, выбрали голос, нажали кнопку, скачали файл.
- API — версии v1 и v3. Нужен для автоматизации, потокового синтеза и длинных текстов.
В обзоре на speech-service.ru описан ещё один путь: «Достаточно открыть страницу озвучки, выбрать модель 4, вставить текст и получить готовое аудио». Это сторонний сервис-обёртка.
Мини-вывод: если задача разовая — озвучить статью, сделать аудиодорожку к ролику — API не нужен вообще. Интерфейс закрывает это за пару минут.
Как пользоваться Yandex SpeechKit: пошаговая инструкция
Самый быстрый путь — интерфейс синтеза в AI Studio. На странице AI Speech Playground описан как место, где можно «синтезировать, распознать речь и обработать её, или создать уникальный голос в удобном интерфейсе».
Порядок действий в интерфейсе AI Studio:
- Войдите в консоль управления Yandex Cloud, примите пользовательское соглашение и убедитесь, что платёжный аккаунт в статусе ACTIVE или TRIAL_ACTIVE.
- Выберите каталог, на который у аккаунта есть роли ai.playground.user и ai.datasets.editor или выше.
- В панели слева разверните AI Speech → Синтез речи.
- Вставьте текст — до 5 000 символов.
- В блоке «Настройки синтеза» задайте язык, голос, амплуа, скорость речи, высоту голоса и формат аудио.
- Нажмите «Синтезировать и воспроизвести», затем скачайте результат.
Полезная деталь, которую пропускают обзоры: в интерфейсе есть кнопка «Посмотреть код» — она отдаёт готовый запрос на Python (REST или gRPC). Это снимает половину работы по интеграции: настроили голос руками, забрали код, вставили в проект.
Произношение правится разметкой прямо в тексте: + перед гласной ставит ударение, sil<[N]> — паузу длиной N миллисекунд, слово — акцент, <[small]> — контекстную паузу из набора tiny / small / medium / large / huge.
Мини-вывод: интерфейс закрывает разовые задачи целиком и заодно генерирует код для API — начинать стоит с него.
Как озвучить текст голосом Алисы через SpeechKit
Это вопрос, на котором ошибается большинство инструкций. В официальном списке голосов SpeechKit значения alice нет. Передать voice=alice в запрос нельзя — API вернёт ошибку.
Что есть на самом деле. В списке голосов синтеза есть женский голос alena с амплуа neutral и good, его и берут под задачу «как у Алисы».
Голос самой Алисы в SpeechKit не подключается. Практический ответ на запрос «озвучить текст голосом Алисы» такой: берите alena в амплуа good и подстройте скорость под текст.
Русские голоса синтеза и их амплуа:
| Голос | Пол | Амплуа | Версия API |
|---|---|---|---|
| alena | Ж | neutral, good | v1, v3 |
| marina (по умолчанию) | Ж | neutral, whisper, friendly | v1, v3 |
| jane | Ж | neutral, good, evil | v1, v3 |
| omazh | Ж | neutral, evil | v1, v3 |
| filipp | М | — | v1, v3 |
| ermil | М | neutral, good | v1, v3 |
| zahar | М | neutral, good | v1, v3 |
| dasha | Ж | neutral, good, friendly | v3 |
| julia | Ж | neutral, strict | v3 |
| lera | Ж | neutral, friendly | v3 |
| masha | Ж | good, strict, friendly | v3 |
| alexander | М | neutral, good | v3 |
| kirill | М | neutral, strict, good | v3 |
| anton | М | neutral, good | v3 |
Обратите внимание на колонку версии: часть голосов (dasha, julia, lera, masha, alexander, kirill, anton) доступна только в API v3. Если вы пишете на v1 и не находите голос — дело в этом.
Кроме русского SpeechKit синтезирует немецкий (lea), английский (john), иврит (naomi), казахский (amira, madi, saule, zhanar) и узбекский (nigora, zamira, yulduz).
Мини-вывод: голоса alice в списке синтеза нет — для женской озвучки в мягкой подаче берите alena в амплуа good.
Доступные голоса и языки синтеза речи
Сторонние сервисы дают выбор шире. Timbrica заявляет «194 голоса на 52 языках». «На языке этой страницы — 81 голос», а «Ещё 50 мультиязычных читают текст на том языке, на котором он написан». Timbrica собирает голоса из нескольких источников, в том числе облачные голоса Microsoft.
Русские голоса различаются не только тембром, но и набором амплуа. У marina их три — neutral, whisper, friendly. У jane тоже три, но другие — neutral, good, evil. У masha — good, strict, friendly. У kirill — neutral, strict, good.
Языковая привязка работает так: сначала выбираете язык, потом голос. В интерфейсе AI Studio список голосов сокращается до тех, которые действительно говорят на выбранном языке. В Timbrica та же логика: «Выберите язык или дайте инструменту определить его автоматически — список сократится до голосов, которые на нём говорят».
Что это значит на практике. Если вам нужен русский текст с эмоциональной подачей — берите голос с амплуа good или friendly. Если нужен нейтральный дикторский голос — marina в neutral или filipp. Если нужен шёпот — только marina в амплуа whisper.
Мини-вывод: русских голосов с разными амплуа хватает на большинство задач озвучки контента; на иврите, казахском и узбекском голосов единицы.
Как сделать голос Алисы: выбор и настройка голоса
Практическая настройка сводится к трём параметрам: voice, emotion и speed. Для женской озвучки в мягкой подаче задайте voice=alena и emotion=good. Без emotion=good голос alena звучит в нейтральном амплуа.
В API v1 амплуа задаётся параметром emotion. В API v3 это уже role — параметры между версиями не взаимозаменяемы. Скопированный не из той версии пример молча даст нейтральный голос, и вы решите, что голос «не тот».
Параметр emotion работает только для русского языка (lang=ru-RU). Для других языков амплуа не применяется.
Если не передать voice вообще, синтез пойдёт голосом marina — это голос по умолчанию. Многие думают, что слышат alena, а на деле получают marina в neutral.
Для собственного голоса компании есть Brand Voice. На странице AI Speech описаны две версии: «Выбирайте версию Lite для быстрого и самостоятельного создания голоса (20–40 минут речи) без написания кода и сложных процессов, Premium — для кастомного голоса для задач маркетинга и PR с вариативностью характеристик и несколькими амплуа».
Мини-вывод: рабочая связка для «голоса Алисы» — voice=alena плюс emotion=good на API v1. Для v3 то же самое, но параметр называется role.
Как управлять озвучанием Яндекса: скорость, тон, громкость
Основные параметры управления синтезом в API v1:
- speed — множитель скорости речи; значение 1 соответствует обычному темпу.
- format — oggopus (по умолчанию), lpcm или mp3.
- sampleRateHertz — частота дискретизации, применяется только к lpcm.
- emotion — амплуа, работает только для ru-RU.
Тон и громкость в API v1 отдельными параметрами не выведены — они управляются через выбор голоса и амплуа. В сторонних сервисах набор шире: Timbrica даёт «Сдвиг основного тона в герцах», где «0 — как у голоса по умолчанию», плюс настройку темпа и тона.
Паузы и ударения — отдельный слой управления. В SpeechKit это разметка прямо в тексте: + перед гласной ставит ударение, sil<[N]> — паузу длиной N миллисекунд, слово — акцент. В Timbrica пауза задаётся иначе: «напишите [pause 3s] между фразами, и сервис вставит паузу ровно нужной длительности», допустимый диапазон — от 0,1 до 30 секунд.
Скорость речи подбирайте на слух под жанр текста.
Мини-вывод: скорость и формат задаются параметрами запроса, тон — выбором голоса и амплуа, паузы и ударения — разметкой в тексте.
Yandex SpeechKit бесплатно: лимиты, пробный период и тарифы
Бесплатного тарифа у SpeechKit нет. Для работы нужен платёжный аккаунт в статусе ACTIVE или TRIAL_ACTIVE. При регистрации в Yandex Cloud начисляется стартовый грант, которым можно оплатить тестирование.
Сторонние сервисы дают другой старт. На speech-service.ru пишут: «После регистрации на Speech-service.ru начисляется 1000 символов для теста», и этого «достаточно, чтобы попробовать небольшую озвучку и понять, подходит ли модель 4 под вашу задачу». В Timbrica лимиты зависят от аккаунта: «без входа — 3 000 символов за одну озвучку и 3 000 в сутки, с Премиумом — 30 000 за озвучку и 100 000 в сутки».
Официальная страница AI Speech на aistudio.yandex.ru называет три фактора цены: «Стоимость зависит от сценария: распознавание и синтез речи, версии используемого API, режима работы». Актуальные ставки приведены в разделе тарифов документации, бюджет считайте по ним в момент запуска.
Поэтому один и тот же текст в разных версиях API и режимах работы может стоить по-разному.
Отдельно стоит Brand Voice — создание собственного голоса компании: разовый платёж за голос плюс ежемесячный хостинг.
Мини-вывод: бюджет контент-задач в SpeechKit складывается из объёма текста и версии API, крупные расходы начинаются с Brand Voice.
Как озвучить текст онлайн без программирования
Без программирования SpeechKit доступен в Playground: порядок действий разобран выше, в пошаговой инструкции. Второй путь — сервисы-обёртки на технологии Яндекса. Сам speech-service.ru описывает такой вариант так: «Онлайн-озвучка через модель 4 подойдёт тем, кому нужно быстро получить голос из текста без обращения к диктору и без настройки API».
Мини-вывод: для разовой озвучки хватает Playground или сервиса-обёртки, API нужен для регулярной работы.
Yandex SpeechKit онлайн: работа через API и консоль разработчика
Если озвучка нужна регулярно или внутри продукта, подключайте API. Разберём v1 — она проще и держит до 5 000 символов в одном запросе.
Шаг 1: аккаунт и платёжка
Зарегистрируйтесь в Yandex Cloud через Яндекс ID и создайте платёжный аккаунт. Без активного платёжного аккаунта запросы к API не пройдут. Бесплатного тарифа у SpeechKit нет — есть только стартовый грант при регистрации в Cloud.
Шаг 2: сервисный аккаунт и роль
В консоли управления создайте каталог, затем сервисный аккаунт («Управление доступом» → «Сервисные аккаунты»). Назначьте ему роль ai.speechkit-tts.user — она даёт право на синтез речи.
Здесь живёт частая ошибка: в старых руководствах фигурирует роль ai.speechkit-user. Такой роли не существует. Актуальные сервисные роли — ai.speechkit-tts.user (синтез) и ai.speechkit-stt.user (распознавание). Примитивная роль editor тоже сработает, но выдавать её ради озвучки — избыточные права.
Шаг 3: API-ключ
Создайте API-ключ для сервисного аккаунта и сохраните его сразу — повторно значение не показывается.
Шаг 4: запрос на синтез
Эндпоинт синтеза: tts.api.cloud.yandex.net/speech/v1/tts:synthesize. Все параметры требуют URL-кодирования.
POST https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize
Content-Type: application/x-www-form-urlencoded
Authorization: Api-Key <ваш_API_ключ>
text=Привет, это Алиса&voice=alena&emotion=good&lang=ru-RU&speed=1.0&format=oggopus
Параметры v1:
- text — текст в UTF-8, до 5 000 символов.
- ssml — альтернатива text, разметка SSML. Одновременно оба поля использовать нельзя.
- voice — голос из списка.
- emotion — амплуа. Работает только для ru-RU.
- speed — множитель скорости речи; значение 1 соответствует обычному темпу.
- format — oggopus (по умолчанию), lpcm или mp3.
- sampleRateHertz — частота дискретизации, применяется только к lpcm.
Ключевая правка к старым примерам: амплуа задаётся параметром emotion. role — это API v3.
Пример на Python:
import requests
url = 'https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize'
headers = {'Authorization': 'Api-Key <ваш_API_ключ>'}
data = {
'text': 'Привет, это Алиса. Чем помочь?',
'voice': 'alena',
'emotion': 'good',
'lang': 'ru-RU',
'format': 'oggopus',
'speed': '1.0',
}
response = requests.post(url, headers=headers, data=data)
if response.status_code == 200:
with open('output.ogg', 'wb') as f:
f.write(response.content)
print('Файл сохранён как output.ogg')
else:
print('Ошибка:', response.text)
В ответе приходит бинарное содержимое аудиофайла в формате из параметра format. Если планируете встроить озвучку в свой сервис, пригодится разбор, как собрать приложение на Yandex API.
Мини-вывод: рабочая связка для «голоса Алисы» — voice=alena плюс emotion=good на API v1.
Как написать текст для озвучки Алисой: подготовка и разметка
Текст для синтеза готовится иначе, чем текст для чтения глазами. Три правила, которые экономят время на переделках.
Первое: разбейте длинный текст на куски до 5 000 символов — это лимит одного запроса API v1. В обзоре на reader-audio.ru так и слушают книги: «Закидывая по 5000 символов, можно прослушивать текст книги».
Второе: расставьте ударения и паузы разметкой: + перед гласной, sil<[N]> для паузы, слово для акцента. Без разметки синтез может ошибиться на сложных словах и аббревиатурах.
Третье: проверьте числа, даты и сокращения. Если синтез читает число или знак валюты не так, как нужно, пишите их словами. Аббревиатуры вроде «ООО» лучше раскрывать.
В обзоре на reader-audio.ru отмечена сильная сторона Яндекса: «Имея в распоряжении свою поисковую систему, сервис с 99% точностью определяет — где поставить ударение, где произносить Е, а где Ё, как правильно звучит географическое название». Это не отменяет ручной проверки, но снижает число правок.
Мини-вывод: режьте текст на куски до 5 000 символов, расставляйте ударения и паузы разметкой, числа и аббревиатуры пишите словами.
Типичные ошибки и ограничения при озвучке текста
Что ломается на практике чаще всего:
- Старые ссылки на документацию. Всё, что ведёт на yandex.cloud/docs/speechkit, редиректится в AI Studio. Закладки и внутренние вики придётся обновить.
- Несуществующая роль. ai.speechkit-user из старых гайдов не назначится. Нужна ai.speechkit-tts.user.
- Путаница параметров между версиями. В v1 амплуа — emotion, в v3 — role. Скопированный не из той версии пример молча даст нейтральный голос.
- Лимит длины. Один запрос v1 принимает до 5 000 символов, длинный текст режьте на части заранее.
- Голос по умолчанию. Если не передать voice, синтез пойдёт голосом marina.
- Пустые строки в цикле. Отфильтруйте их до отправки, чтобы не гонять лишние запросы.
- Амплуа только для русского. Параметр emotion в v1 поддерживается только при lang=ru-RU.
У API v3 свои ограничения на длину одного запроса. Если текст в них не помещается, режьте его на части или переходите на v1.
В обзоре на infostart.ru описана ещё одна проблема: «объём текста не может превышать 5000 символов, во-вторых иногда операция синтезирования речи зависает без видимых причин и приходится дробить текст на ещё более мелкие части». Это опыт интеграции SpeechKit с 1С, но закономерность общая: длинные тексты требуют дробления и склейки.
Мини-вывод: большинство ошибок — из старых инструкций. Сверяйтесь с актуальной документацией AI Studio.
Чек-лист: озвучить текст голосом Алисы
- Аккаунт в Yandex Cloud, платёжный аккаунт в статусе ACTIVE или TRIAL_ACTIVE.
- Разовая задача → интерфейс AI Studio, раздел AI Speech → Синтез речи. Нужны роли ai.playground.user и ai.datasets.editor.
- Интеграция → сервисный аккаунт с ролью ai.speechkit-tts.user и API-ключ.
- Голос — alena, амплуа — good.
- Текст режем на куски до 5 000 символов.
- Ударения и паузы правим разметкой: +, sil<[N]>, акцент.
- Бюджет считаем по действующим тарифам: цена зависит от сценария, версии API и режима работы.
Частые вопросы
Можно ли озвучить текст голосом Алисы в SpeechKit?
Голоса с идентификатором alice в SpeechKit нет. Для женской озвучки в мягкой подаче берут голос alena в амплуа good.
Сколько стоит Yandex SpeechKit?
Стоимость зависит от сценария: распознавание или синтез речи, версия API и режим работы. Подробный расчёт стоимости приведён в документации AI Studio.
Есть ли у SpeechKit бесплатный тариф?
Нет. Для работы нужен платёжный аккаунт в статусе ACTIVE или TRIAL_ACTIVE. При регистрации в Yandex Cloud начисляется стартовый грант, которым можно оплатить тестирование.
Можно ли пользоваться SpeechKit без программирования?
Да. В интерфейсе Yandex AI Studio есть раздел AI Speech → Синтез речи: текст до 5 000 символов, выбор голоса и амплуа, скачивание файла. Кнопка «Посмотреть код» отдаёт готовый запрос на Python.
Сколько символов можно озвучить за один запрос?
API v1 принимает до 5 000 символов в одном запросе. У API v3 свои ограничения на длину запроса, длинный текст для него режут на части.
Синтез речи — прикладной навык: он одинаково нужен и для озвучки контента, и для голосовых роботов в продукте. Если хотите разобраться, как собирать такие сценарии без разработчика, посмотрите что такое зерокодинг.
Первоисточники: SpeechKit: голоса синтеза речи; Яндекс: SpeechKit Playground.