Yandex SpeechKit y CosyVoice comparados en tareas de bots de voz y podcasts de audio

Raft lanzó la segunda parte de una revisión de modelos TTS y esta vez comparó no solo soluciones open-source sino también servicios propietarios. En el centro de atención hay dos escenarios prácticos: un bot de voz con respuestas en tiempo real y narración de textos largos para podcasts de audio.

Cómo compararon

El autor mantuvo el mismo marco de evaluación que en la primera parte de la revisión para que los resultados pudieran compararse directamente. Dos modelos entraron en la prueba: CosyVoice 3-0.5B de Alibaba y Yandex SpeechKit. Fueron probados no en demostraciones abstractas sino en tareas donde para el negocio es importante no solo la calidad de la voz sino también la latencia, estabilidad, controlabilidad y facilidad de implementación. Este formato hace que la comparación sea útil no para interés investigador sino para elegir una herramienta específica para un producto.

• Latencia de generación en CPU y GPU
• Naturalidad del habla: timbre, suavidad, tempo e inflexión
• Expresividad: emociones y adaptación al contexto
• Facilidad de integración: documentación, inicio y configuración

Para el escenario del bot de voz, los modelos se ejecutaron a través de un diálogo médico corto con abreviaturas rusas complejas como ОМС, СНИЛС, ИБС, ЭКГ y ЭХО-КГ. Para el escenario de podcast, utilizaron un fragmento literario del cuento "Un Gentleman de San Francisco" de 4868 caracteres y 728 palabras. Tal prueba revela rápidamente problemas típicos de TTS: errores en el acento, fallos de entonación, pausas no naturales y artefactos que son especialmente notables en una larga distancia.

CosyVoice en acción

CosyVoice en esta revisión actúa como un fuerte candidato open-source para el idioma ruso. El autor probó la versión 3-0.5B y para el despliegue local utilizó una versión mejorada en ruso FastCosyVoice.

En el escenario del asistente de voz, el modelo pronunció confiadamente abreviaturas médicas, no mostró acento notable y en general sonó natural. Para equipos que desean mantener el bucle TTS dentro de su propia infraestructura y no depender de una API externa, esto es un diferencial muy importante. Por las métricas de velocidad el resultado fue un compromiso pero predecible para un modelo local.

En una frase de prueba corta que dura aproximadamente 10-15 segundos, CosyVoice mostró una latencia de 12,25 segundos en CPU y 3,49 segundos en GPU. Para producción esto significa que sin una tarjeta gráfica decente, contar con una respuesta rápida será difícil. Pero por puntuaciones subjetivas el modelo recibió 5 puntos por naturalidad y 5 por expresividad, y eso ya es un argumento fuerte para tareas donde la voz debe soar viva en lugar de como un contestador automático clásico.

Al generar texto largo, CosyVoice también se veía confiado: el habla salió limpia, coherente y bastante similar a la voz del locutor de referencia. Pero no fue completamente sin reservas — en lugares había acentos imprecisos y errores ocasionales de entonación. Para podcasts de audio esto no es un inconveniente crítico pero significa que antes de la publicación final de la narración aún se necesita una persona que revise rápidamente el resultado y corrija puntos discutibles.

"...mostrar cómo estas soluciones se comportan en escenarios de

productos reales".

Fortalezas de SpeechKit

Yandex SpeechKit en la revisión se ve como una herramienta de producción más madura. El servicio tiene documentación clara, un gran conjunto de voces rusas, varios caracteres de voz y escenarios diseñados para integración rápida. En la prueba del bot de voz, el modelo igualmente confiado manejó frases con abreviaturas y en texto largo entregó pronunciación más estable y acentuación.

El principal compromiso está en otro lugar: la voz suena un poco más robótica que el mejor TTS moderno, especialmente si se compara solo por naturalidad. Para el negocio algo más es importante: SpeechKit ya cubre casi todo el circuito aplicado alrededor de la síntesis de voz y reduce el volumen de refinamiento manual después de la integración. No es solo el motor de síntesis en sí sino un conjunto de capacidades de servicio que son especialmente valiosas en un bot, centro de llamadas y cualquier escenario donde necesita iniciar rápidamente nuevos flujos de voz sin configuración de ingeniería prolongada.

• síntesis síncrona, asíncrona y en streaming
• API en tiempo real para bots de voz
• paquete de STT y TTS en una interfaz
• herramientas para marcar acentuaciones, pausas y fonética
• capacidad de crear su propia voz a partir de grabaciones marcadas

En una frase corta, SpeechKit mostró una latencia de 1,81 segundos, recibió 4 puntos por naturalidad, 5 por expresividad y 5 por facilidad de integración. La revisión también analiza por separado el precio: API v1 cuesta 1342 rublos por 1 millón de caracteres por mes, y API v3 cuenta solicitudes en bloques de 250 caracteres. Un ejemplo del artículo: la síntesis de 900 caracteres en v3 costará aproximadamente 0,65 rublos. Para equipos este es un modelo conveniente porque el costo del canal de voz y la carga del servidor se pueden calcular de antemano, incluso antes del lanzamiento completo.

Lo que esto significa

La comparación muestra una situación bastante clara para el mercado TTS en lengua rusa. Si a un equipo le importa el control de pila, la licencia open-source y el sonido más vivo, CosyVoice se ve como una opción fuerte, especialmente con una GPU disponible y disposición para manejar infraestructura. Si necesita un lanzamiento rápido, integración predecible y herramientas listas para un centro de llamadas o asistente de voz, Yandex SpeechKit se ve más práctico. Elegir TTS ahora tiene sentido no por la calidad abstracta sino por cómo el modelo se comporta en un producto específico y bajo una carga específica.