ЖИ-агентті көрсеткеннен кейін бізге ең жиі қойылатын сұрақ: «Клиенттерге менің дауысыммен қоңырау шалуға бола ма?». Техникалық тұрғыдан иә, бұл жұмыс істейді, әрі жақсы жұмыс істейді. Бірақ AutoCall.kz интерфейсінде мұндай батырма жоқ, ал тарифтерде дауысты клондаудың тұсында «Шектеулі қолжетімділік» деп тұр.
Бұл назданғандық та, «әзірленіп жатқан функция» да емес. Төменде адал талдау: қазіргі модельдер не істей алады, олардың қайсысын ақылы сервисте мүлде қолдануға болады, орыс және қазақ тілдерінде бөлек не бұзылады және неге дұрыс дауыс клоны бес секундтық жазбадан емес, студиядағы сессиядан басталады.
Технология бүгін не істей алады
Қазіргі модельдер екі класқа бөлінеді, және олардың арасындағы айырмашылық — дәл «уау, ұқсайды» мен «клиенттерге шығаруға болады» арасындағы айырмашылық.
Zero-shot клондау. Chatterbox сияқты модельдер ешқандай оқытусыз бес-алты секундтық үлгі бойынша тембрді көшіреді. Сіз жазбаның бір бөлігін бересіз, ал модель бірден ұқсас дауыспен сөйлейді. Әлеуметтік желілерде тарайтын демолар дәл осылар.
Дауысқа бейімдеп қосымша оқыту. Модельді нақты адамның жазбаларымен оқытады: ондаған минуттық материал және GPU арқылы сағаттаған есептеу. Нәтижесінде жай ұқсас тембр ғана емес, сөйлеу мәнері шығады: үзілістер, тән интонациялар, адамның дауысты дыбыстарды қалай созатыны және қалай тыныс алатыны.
Айырмашылық бірінші фразада емес, әңгіменің үшінші минутында естіледі. Zero-shot тембрді сақтайды, бірақ интонациясы біркелкі: ол дәл осы адамның сұрақты қалай қоятынын немесе қалай күмәнданатынын білмейді. Қысқа хабарламада айырмашылық жоқтың қасы. Ал ЖИ-агентпен жанды диалогта айырмашылық бар, әрі айқын байқалады.
Неге бұл интерфейстегі батырма емес: лицензиялар
Міне, «дауысты клондауға арналған топ-10 нейрожелі» шолуларында неге екені белгісіз жазылмайтын басты себеп. Ең үздік ашық модельдерді коммерциялық мақсатта пайдалануға тыйым салынған.
«Авторларды атап өту керек» те емес, «жазылым сатып алу керек» те емес, тікелей тыйым: лицензия тек коммерциялық емес қолдануға рұқсат береді. Бұл үшін ақша алатын кез келген сервис шарттарды бұзады.
| Модель | Лицензия | Ақылы сервисте қолдануға бола ма |
|---|---|---|
| XTTS-v2 | Coqui CPML | Жоқ. Тағы бір жайт: Coqui компаниясы 2024 жылдың қаңтарында жабылды, сондықтан қазір коммерциялық лицензияны сатып алатын ешкім жоқ. |
| F5-TTS | CC-BY-NC-4.0 | Жоқ. Атауындағы NC дегеніміз Non-Commercial. Қауымдастықтың орыс тіліне арналған қосымша оқытулары да сол лицензияны мұра етеді. |
| Fish Speech | Fish Audio Research | Жоқ. Зерттеу лицензиясы, құқық иесімен бөлек шарт керек. |
| Chatterbox | MIT | Иә. ~5 секунд бойынша zero-shot, эмоцияны басқару, Turbo нұсқасы шамамен 200 мс кідіріс береді. |
| Orpheus 3B | Permissive | Иә. Llama-3B негізінде құрылған, zero-shot пен басқарылатын эмоцияны қолдайды. |
| CosyVoice 3 | релизді қараңыз | Иә, ескертпемен. Оның маңыздылығы: орыс тілі қолдау көрсетілетін тілдер тізімінде бар және тіларалық клондау мүмкіндігі бар. |
| Qwen3-TTS | Apache 2.0 | Иә. 2026 жылдың қаңтарында шықты, StyleTTS2/ISTFTNet архитектурасы, нақты уақыттан жылдам жұмыс істейді. |
Лицензиялар релизден релизге өзгеріп отырады, және кеше Apache лицензиясымен шыққан модель ертең зерттеу лицензиясымен шығуы мүмкін. Бірдеңені продқа қоймас бұрын салмақтардың нақты нұсқасының лицензиясын қайта оқып шығу керек, жарты жыл бұрынғы мақалаға, соның ішінде осы мақалаға да, сүйенбеген жөн.
«Шектеулі қолжетімділік» содан шыққан. XTTS-v2 моделін өз серверіңізде орнатып, ол үшін ақша алу — сервисті заңдық минаның үстіне құрудың жылдам жолы. Біз кестенің «Иә» деген жолдарынан таңдаймыз, ал ондағы таңдау шолулардан көрінетіннен әлдеқайда тар.
Біз мұны өзімізде немен құрамыз
Орналастыру бөгде API арқылы емес, өз серверлерімізде жүреді. Себебі қарапайым: клиенттің дауысы биометрия, және оны «жата тұрсын» деп бөгде сервиске жіберуге біз дайын емеспіз. Біздің бүкіл инфрақұрылымымыз онсыз да Қазақстанда, ал дауыс іздері үшін бұл қағидатты мәселе.
Негізгі таңдау: жылдам демолар мен гипотезаны тексеру үшін MIT лицензиясындағы Chatterbox, ал прод дауыстары үшін CosyVoice 3 немесе Qwen3-TTS, себебі олар орыс тілімен және тіларалық тасымалдаумен жақсы жұмыс істейді. Нақты жоба үшін стек нақтыланады: тыныш студиядағы әйел дауысында жақсы естілетін нәрсе аймақтық акценті бар ер дауысында әрдайым ұтымды бола бермейді.
Жабдық: инференс бейнекартаны қажет етеді. Бұл дерекқордың қасындағы ортақ қосымшалар серверіне іле салатын міндет емес, оған бөлек GPU-түйін керек, және бұл жоба құнындағы елеулі бап.
Орыс тілі күтпеген жерден бұзылады
Лицензия таза, GPU сатып алынды, дауыс жазылды делік. Әрі қарай тілдің ерекшеліктері басталады, ал орыс тілі үшін олар ағылшын тіліне қарағанда қиынырақ.
Екпін. Модель сөздегі екпінді буынның қай жерде екенін білуі керек. Ағылшын тілінде бұл оңайырақ, онда екпін сөздің формасы бойынша әрдайым дерлік болжамды. Орыс тілінде бұл үшін мәтін синтезге кетпес бұрын екпін қоятын RUAccent сияқты бөлек препроцессор керек.
Омографтар. Бірдей жазылып, әртүрлі оқылатын сөздер: за́мок (қамал) және замо́к (құлып), бо́льшая (үлкенірек) және больша́я (үлкен), до́рог (қымбат) және доро́г (жолдардың). Орыс тілінде олар он мыңнан астам, және бұл міндет әлі күнге дейін тіпті ірі нейрожелілермен де толық шешілмеген: Ұлттық корпус барлық жағдайды қамтымайды. Бөлек шешілмеген кіші міндет «ё» әрпіне байланысты сөздер: все́ және всё, узна́ем және узнаём.
Және бұл уақытты алады. Процессорда екпін қою сөйлеу синтезінің өзінен де ұзаққа созылуы мүмкін. Яғни тар жер дыбысты салатын нейрожеліде емес, әріптің үстіне белгіні қайда қою керегін шешетін іш пыстырарлық модульде болып шығады.
Тапсырыс беруші үшін практикалық қорытынды: егер мәтініңізде тектер, компания атаулары, топонимдер немесе кәсіби терминдер болса, олардың айтылуын қолмен беруге тура келеді. Ешбір модель сіздің тұрғын үй кешеніңіздің атауы немесе директордың тегі қалай оқылатынын өзі таппайды.
Қазақ тілі: база жоқтың қасы
Қазақ тіліндегі жағдайды «тапшылық» деген сөз дәлірек сипаттайды. Бұл ресурсы аз тіл: оқытуға арналған деректер ағылшын тіліне қарағанда ондаған есе аз, және әлемдік модельдердің көбі оны мүлде қолдамайды.
Жақсы жаңалық: негізгі ашық корпус Қазақстанда жасалған. Назарбаев Университеті ISSAI жасаған KazakhTTS2: 271 сағат жазба, бес кәсіби диктор, MOS сапа бағасы 4-тен жоғары, ашық деректер және ESPnet негізіндегі оқыту рецепті.
Бірақ бұл дайын клондау моделі емес, корпус пен рецепт екенін түсіну маңызды. Онымен сол бес диктордың дауыстарымен жақсы синтезді оқытуға болады. Нақты тапсырыс берушінің қазақша дауысын алу үшін модельді оған бөлек қосымша оқытуға тура келеді, демек, орыс тіліне қарағанда көбірек материал жазу керек.
Бүгін дауыстық таратылымдарда қазақ тілін дайын дикторлық дауыстармен қамтимыз. Қазақша дауысты клондау өз бюджеті бар бөлек жоба, және біз бұл туралы басында-ақ адал ескертеміз.
Шын мәнінде қанша жазу керек
Интернеттегі демолар бес секунд бойынша клон уәде етеді. Формалды түрде өтірік айтпайды. Бірақ «танылады» мен «клиент робот сөйлегенін түсінбеді» арасында шамамен мынадай айырмашылық бар.
- тембр танылады
- интонация біркелкі
- эмоция берілмейді
- ұзын фразада «қалқып» кетеді
- идеяны көрсетуге жарайды
- кемінде 30–40 минут таза дыбыс
- тыныш бөлме, бір микрофон
- эмоциялары белгіленген мәтін
- сұрақтар, бас тартулар, кешірім сұраулар
- есімдер мен терминдер бөлек
Іс жүзінде бұл былай көрінеді: тапсырыс берушіге репликалары интонация бойынша белгіленген бірнеше беттік сценарий беріледі, және ол оларды жазбаға дауыстап оқиды. «Бірдеңе оқып беріңіз» емес, нақты жағдайлар жиынтығы, өйткені модель тек естігенін ғана үйренеді.
— Сәлеметсіз бе! (ізетпен, әдеттегіден сәл жылдамырақ) Сізді «Мысал» компаниясынан мазалап тұрмыз. — Айтыңызшы, қазір сөйлесуге ыңғайлы ма? (сұрақ, интонация жоғарылайды) — Түсінемін. (жанашырлықпен, баяуырақ) Онда сізді алаңдатпайын. — Өкінішке қарай, өтінімді қабылдамауға тура келді. (бейтарап, кешірім сұрайтын реңксіз) — За́мок открывается ключом, а замо́к стоит на горе. (орыс тіліндегі омографтар: бақылау жұбы)
Соңғы жол әзіл емес. Мұндай жұптар модель айтылудың екі нұсқасын да естіп, кейін жұмыс кезінде шатастырмауы үшін жазу сценарийіне әдейі қосылады.
Екінші жағы: мұны алаяқтар қазірдің өзінде пайдаланады
Директорға хабарламаларды дыбыстауға күн жұмсамауға мүмкіндік беретін сол құрал оның анасына ұлының дауысымен қоңырау шалып, ақша сұрауға да мүмкіндік береді. «Туысқан қиын жағдайда» схемасы нейрожелілерге дейін де болған, бірақ бұрын оны телефондағы бейтаныс дауыс әшкерелейтін. Енді әшкерелемейді.
Клон үшін материал көп керек емес: дауыстық хабарлама, сторис, сөйлеген сөзінің жазбасы, подкаст. Көпшілікке таныс адамның дауыс үлгісі кез келген қалаушыда бар.
Күнделікті өмірде мұнымен не істеу керек. Жақындарыңызбен жауабын интернеттен табу мүмкін емес бақылау сұрағы туралы келісіп алыңыз. Егер телефондағы дауыс ақша сұраса немесе код айтса, қоңырауды аяқтап, телефон кітапшасындағы нөмір бойынша өзіңіз қайта қоңырау шалыңыз. Және нөмірде қайта бағыттау тұруы мүмкін екенін ұмытпаңыз, сол себепті сіздің кері қоңырауыңыз басқа жаққа кетуі мүмкін, мұны бөлек тексерген жөн.
Дәл сондықтан біз клондауды өзіне-өзі қызмет көрсету функциясы етпейміз. «Дауысы бар кез келген файлды жүктеп, қоңырау шала беріңіз» батырмасы өнім емес, бұл алаяқтыққа арналған құрал, ол бір апталық жұмыстан кейін ақшадан гөрі көбірек проблема әкеледі.
Бізде қолжетімділікті қалай алуға болады
AutoCall.kz сервисінде дауысты клондау жеке сұраныс бойынша, жобаға қарай қолжетімді. Тәртібі мынадай:
- Өтінім және міндет. Кімге қоңырау шаламыз, не айтамыз, көлемі қандай. Клон мүлде керек пе, әлде дайын дикторлық дауыс жеткілікті ме, осыған байланысты. Кейде жеткілікті болады, және біз мұны тура айтамыз.
- Дауысқа құқықты растау. Дауыс иесі жазбаша келісім береді. Егер дауыс тапсырыс берушіге емес, мысалы, қызметкерге немесе шақырылған дикторға тиесілі болса, келісім жеке соның өзінен керек. Бұл формальдылық емес, жұмыс шарты.
- Материалды жазу. Белгіленген сценарий, жазу сессиясы, дыбыс сапасын тексеру.
- Оқыту және қабылдау. Нәтижені демо-фразалармен емес, таратылымыңыздың нақты мәтіндерімен тыңдаймыз.
- Іске қосу. Дауыс тек сіздің тіркелгіңізде қолжетімді.
Мерзімі мен құны міндетке қарай есептеледі: олар тілге, материал көлеміне және жобаңызға бөлек GPU-түйін керек-керек еместігіне байланысты. Қазақ тілі орыс тілінен қымбатырақ, себептері жоғарыда сипатталған.
Егер міндет көрінгеннен қарапайым болса, мысалы, дәл өз дауысыңыз емес, жай ғана жағымды адам дауысы керек болса, кәдімгі сөйлеу синтезінен бастаңыз: ол бірден қолжетімді, арзан тұрады және жағдайлардың жартысында мәселені толық шешеді.