Yandex SpeechKit et CosyVoice comparés sur des tâches de bots vocaux et de podcasts audio

Raft a lancé la deuxième partie d'un examen des modèles TTS et cette fois a comparé non seulement les solutions open-source mais aussi les services propriétaires. Au centre de l'attention se trouvent deux scénarios pratiques : un bot vocal avec des réponses en temps réel et la narration de longs textes pour les podcasts audio.

Comment ils ont comparé

L'auteur a conservé le même cadre d'évaluation que dans la première partie de l'examen afin que les résultats puissent être comparés directement. Deux modèles ont participé au test : CosyVoice 3-0.5B d'Alibaba et Yandex SpeechKit. Ils ont été testés non pas sur des démos abstraits mais sur des tâches où pour le business, il est important non seulement la qualité de la voix mais aussi la latence, la stabilité, la contrôlabilité et la facilité d'intégration. Ce format rend la comparaison utile non pour un intérêt de recherche mais pour choisir un outil spécifique pour un produit.

• Latence de génération sur CPU et GPU
• Naturalité de la parole : timbre, fluidité, tempo et intonation
• Expressivité : émotions et adaptation au contexte
• Facilité d'intégration : documentation, lancement et configuration

Pour le scénario du bot vocal, les modèles ont été exécutés à travers un court dialogue médical avec des abréviations russes complexes comme ОМС, СНИЛС, ИБС, ЭКГ et ЭХО-КГ. Pour le scénario de podcast, ils ont utilisé un fragment littéraire du conte « Un Gentleman de San Francisco » de 4868 caractères et 728 mots. Un tel test révèle rapidement les problèmes typiques de TTS : erreurs d'accentuation, défaillances d'intonation, pauses non naturelles et artefacts qui sont particulièrement visibles sur une longue distance.

CosyVoice en action

CosyVoice dans cet examen agit comme un candidat open-source fort pour la langue russe. L'auteur a testé la version 3-0.5B et pour le déploiement local a utilisé un fork amélioré en russe FastCosyVoice.

Dans le scénario de l'assistant vocal, le modèle a prononcé avec assurance des abréviations médicales, n'a pas montré d'accent perceptible et en général a sonné naturel. Pour les équipes qui souhaitent conserver la boucle TTS dans leur propre infrastructure et ne pas dépendre d'une API externe, c'est un atout très important. Par les métriques de vitesse, le résultat a été un compromis mais prévisible pour un modèle local.

Sur une courte phrase de test durant environ 10-15 secondes, CosyVoice a montré une latence de 12,25 secondes sur CPU et 3,49 secondes sur GPU. Pour la production, cela signifie que sans une bonne carte graphique, compter sur une réponse rapide sera difficile. Mais selon les évaluations subjectives, le modèle a reçu 5 points pour la naturalité et 5 pour l'expressivité, et c'est déjà un argument solide pour les tâches où la voix doit sonner vivante plutôt que comme un répondeur automatique classique.

Lors de la génération de texte long, CosyVoice a également semblé confiant : la parole s'est avérée propre, cohérente et assez similaire à la voix du locuteur de référence. Mais ce n'était pas tout à fait sans réserves — par endroits, il y avait des accentuations inexactes et des erreurs d'intonation occasionnelles. Pour les podcasts audio, ce n'est pas un inconvénient critique mais cela signifie qu'avant la publication finale de la narration, vous avez toujours besoin d'une personne qui examinera rapidement le résultat et corrigera les points discutables.

"...montrer comment ces solutions se comportent dans des scénarios de

produits réels".

Forces du SpeechKit

Yandex SpeechKit dans l'examen semble être un outil de production plus mature. Le service dispose d'une documentation claire, d'un large ensemble de voix russes, de plusieurs caractères de voix et de scénarios conçus pour une intégration rapide. Dans le test du bot vocal, le modèle a tout aussi confiablement géré des phrases avec des abréviations et dans le texte long a fourni une prononciation et une accentuation plus stables.

Le principal compromis se situe ailleurs : la voix sonne un peu plus robotisée que le meilleur TTS moderne, surtout si on la compare uniquement par naturalité. Pour le business, quelque chose d'autre est plus important : SpeechKit couvre déjà presque tout le circuit appliqué autour de la synthèse vocale et réduit le volume de retouches manuelles après l'intégration. Ce n'est pas seulement le moteur de synthèse lui-même mais un ensemble de capacités de service qui sont particulièrement précieuses dans un bot, centre d'appels et tout scénario où vous devez lancer rapidement de nouveaux flux vocaux sans configuration d'ingénierie prolongée.

• synthèse synchrone, asynchrone et en streaming
• API en temps réel pour les bots vocaux
• ensemble STT et TTS dans une seule interface
• outils de marquage des accentuations, pauses et phonétique
• capacité à créer votre propre voix à partir d'enregistrements marqués

Sur une courte phrase, SpeechKit a montré une latence de 1,81 secondes, a reçu 4 points pour la naturalité, 5 pour l'expressivité et 5 pour la facilité d'intégration. L'examen analyse également le prix séparément : l'API v1 coûte 1342 roubles pour 1 million de caractères par mois, et l'API v3 compte les requêtes par blocs de 250 caractères. Un exemple de l'article : la synthèse de 900 caractères en v3 coûtera environ 0,65 roubles. Pour les équipes, c'est un modèle pratique car le coût du canal vocal et la charge du serveur peuvent être calculés à l'avance, avant même le lancement complet.

Ce que cela signifie

La comparaison montre une situation assez claire pour le marché du TTS en langue russe. Si une équipe se soucie du contrôle de la pile, des licences open-source et d'un son plus vivant, CosyVoice semble une option forte, surtout avec un GPU disponible et une volonté de gérer l'infrastructure. Si vous avez besoin d'un lancement rapide, d'une intégration prévisible et d'outils prêts pour un centre d'appels ou un assistant vocal, Yandex SpeechKit semble plus pratique. Choisir TTS maintenant a du sens non pas par la qualité abstraite mais par la façon dont le modèle se comporte dans un produit spécifique et sous une charge spécifique.