Yandex SpeechKit e CosyVoice comparados em tarefas de bots de voz e podcasts em áudio

A Raft lançou a segunda parte de uma análise de modelos TTS e desta vez comparou não apenas soluções open-source, mas também serviços proprietários. Em foco estão dois cenários práticos: um bot de voz com respostas em tempo real e narração de textos longos para podcasts de áudio.

Como compararam

O autor manteve a mesma estrutura de avaliação da primeira parte da análise para que os resultados pudessem ser comparados diretamente. Dois modelos entraram no teste: CosyVoice 3-0.5B da Alibaba e Yandex SpeechKit. Eles foram testados não em demos abstratos, mas em tarefas onde para negócios é importante não apenas a qualidade da voz, mas também latência, estabilidade, controlabilidade e facilidade de implementação. Este formato torna a comparação útil não para interesse de pesquisa, mas para escolher uma ferramenta específica para um produto.

• Latência de geração em CPU e GPU
• Naturalidade da fala: timbre, suavidade, tempo e entonação
• Expressividade: emoções e adaptação ao contexto
• Facilidade de integração: documentação, inicialização e configuração

Para o cenário de bot de voz, os modelos foram executados através de um diálogo médico curto com abreviaturas russas complexas como ОМС, СНИЛС, ИБС, ЭКГ e ЭХО-КГ. Para o cenário de podcast, usaram um fragmento literário do conto "Um Cavalheiro de San Francisco" de 4868 caracteres e 728 palavras. Tal teste revela rapidamente problemas típicos de TTS: erros em acentuação, falhas de entonação, pausas não naturais e artefatos que são especialmente notáveis em uma longa distância.

CosyVoice em ação

CosyVoice nesta análise atua como um forte candidato open-source para a língua russa. O autor testou a versão 3-0.5B e para implantação local usou um fork aprimorado em russo FastCosyVoice.

No cenário do assistente de voz, o modelo pronunciou confiadamente abreviaturas médicas, não mostrou sotaque perceptível e, em geral, soou natural. Para equipes que desejam manter o loop TTS dentro de sua própria infraestrutura e não depender de uma API externa, este é um grande diferencial. Pelas métricas de velocidade o resultado foi um compromisso, mas previsível para um modelo local.

Em uma frase de teste curta durando cerca de 10-15 segundos, CosyVoice mostrou latência de 12,25 segundos em CPU e 3,49 segundos em GPU. Para produção isso significa que sem uma placa gráfica decente, contar com resposta rápida será difícil. Mas pelas pontuações subjetivas o modelo recebeu 5 pontos por naturalidade e 5 por expressividade, e isso já é um forte argumento para tarefas onde a voz deve soar viva em vez de como um respondedor automático clássico.

Ao gerar texto longo, CosyVoice também pareceu confiante: a fala saiu limpa, coerente e bastante semelhante à voz do locutor de referência. Mas não foi completamente sem ressalvas — em alguns lugares havia acentuações imprecisas e erros ocasionais de entonação. Para podcasts de áudio esta não é uma desvantagem crítica, mas significa que antes da publicação final da narração você ainda precisa de uma pessoa que revise rapidamente o resultado e corrija pontos discutíveis.

"...mostrar como essas soluções se comportam em cenários reais de produto".

Pontos fortes do SpeechKit

Yandex SpeechKit na análise parece ser uma ferramenta de produção mais madura. O serviço possui documentação clara, um grande conjunto de vozes russas, vários personagens de voz e cenários projetados para integração rápida. No teste de bot de voz, o modelo igualmente confiante tratou frases com abreviaturas e em texto longo entregou pronúncia mais estável e acentuação.

O principal compromisso está em outro lugar: a voz soa um pouco mais robótica do que o melhor TTS moderno, especialmente se comparado apenas pela naturalidade. Para negócios algo mais é importante: SpeechKit já cobre quase todo o circuito aplicado em torno da síntese de fala e reduz o volume de refinamento manual após a integração. Não é apenas o mecanismo de síntese em si, mas um conjunto de capacidades de serviço que são especialmente valiosas em um bot, call center e quaisquer cenários onde você precisa iniciar rapidamente novos fluxos de voz sem configuração de engenharia demorada.

• síntese síncrona, assíncrona e em streaming
• API em tempo real para bots de voz
• pacote de STT e TTS em uma interface
• ferramentas para marcar acentuações, pausas e fonética
• capacidade de criar sua própria voz a partir de gravações marcadas

Em uma frase curta, SpeechKit mostrou latência de 1,81 segundos, recebeu 4 pontos por naturalidade, 5 por expressividade e 5 por facilidade de integração. A análise também analisa separadamente o preço: API v1 custa 1342 rublos por 1 milhão de caracteres por mês, e API v3 conta solicitações em blocos de 250 caracteres. Um exemplo do artigo: síntese de 900 caracteres em v3 custará aproximadamente 0,65 rublos. Para equipes este é um modelo conveniente porque o custo do canal de voz e a carga do servidor podem ser calculados antecipadamente, até mesmo antes do lançamento completo.

O que isso significa

A comparação mostra um quadro bastante claro para o mercado de TTS em língua russa. Se uma equipe se importa com controle de pilha, licenciamento open-source e som mais vivo, CosyVoice parece uma opção forte, especialmente com um GPU disponível e disposição para lidar com infraestrutura. Se você precisa de lançamento rápido, integração previsível e ferramentas prontas para um call center ou assistente de voz, Yandex SpeechKit parece mais prático. Escolher TTS agora faz sentido não pela qualidade abstrata, mas por como o modelo se comporta em um produto específico e sob uma carga específica.