Подготовка текста для синтеза речи
Как записать текст, чтобы yandex/yandex-tts, sber/salutespeech-tts и vkcloud/text-to-speech прочитали его правильно: числа, ударения, паузы, разметка, параметры запроса и готовый скилл для агента
Перед отправкой в /v1/audio/speech текст нужно подготовить под модель.
Модель читает его буквально: markdown и ссылки прозвучат вслух или оплатятся
впустую, а часть чисел прозвучит набором цифр. Ниже правила для трёх моделей:
что оставить как есть, что переписать и какую разметку можно использовать.
Если текст для озвучки готовит нейросеть, передайте ей скилл tts-text.skill: в нём те же правила в виде инструкции для агента.
Чем отличаются модели
yandex/yandex-tts | sber/salutespeech-tts | vkcloud/text-to-speech | |
|---|---|---|---|
Длина input | до 4999 символов | до 4999 символов | до 4999 символов |
| Оплата | блоками по 250 символов, разметка входит в счёт | за каждый символ, включая пробелы и эмодзи | за каждый символ, разметка входит в счёт |
| Разметка | ударение, паузы, акцент, фонемы | нет | ударение, акцент, произношение |
| Паузы | знаки препинания и разметка; перенос строки - нет | знаки препинания и перенос строки, до 0,4 с | точка и перенос строки |
| Буква ё | пишите всегда | не нужна, модель ставит сама | пишите всегда |
voice | marina и ещё 13 голосов | Bab-Freespeech и ещё 8 голосов | katherine, maria, pavel |
speed | 0.1-3.0 | только 1.0 | 0.75-1.75 |
role | зависит от голоса | нет | нет |
pitch_shift | от -1000 до 1000 | нет | нет |
response_format | mp3, oggopus, wav | wav, pcm (24 кГц), pcmu, pcma (8 кГц) | mp3, oggopus, wav, pcm (24 кГц) |
Голоса модели перечислены в поле voices её карточки
(GET /v1/models/{id}).
Параметры запроса
Параметр, которого нет у модели, и значение вне диапазона дают ошибку 400.
Такой запрос не оплачивается. Текст ошибки называет параметр и допустимые
значения, например Parameter 'speed' is not supported by this model.
- Значения, которые ничего не меняют, проходят у всех моделей:
speed: 1.0,pitch_shift: 0, пустаяrole. instructionsне поддерживает ни одна модель. Интонацию уyandex/yandex-ttsзадаётrole.stream_formatпринимает толькоaudio.- Остальные поля OpenAI, которых нет в этом списке, модель не учитывает.
- Текст без букв и цифр (
..., одни эмодзи) озвучивать нечего: ошибка 400.
Правила для всех моделей
- Текст длиннее 4999 символов режьте по предложениям, отправляйте кусками и склеивайте аудио у себя.
- Уберите markdown, эмодзи, HTML и ссылки. Модель читает их вслух («звёздочка», «решётка», адрес по буквам) или пропускает, но символы оплачиваются.
- Не используйте SSML: модели читают теги вслух.
- Диапазоны
5-10пишите «от 5 до 10»: модели читают их как два числа подряд. - Дефис с пробелами звучит как пауза, а не «минус»: «Температура - 5 градусов» прозвучит «пять градусов». Нужен минус - пишите «минус 5».
- Названия на латинице, которые должны звучать по-русски, пишите кириллицей:
IT-> «ай-ти». - Омограф, который не снять разметкой модели, переформулируйте.
yandex/yandex-tts
Числа и сокращения
Эти записи модель читает правильно, оставляйте их как есть:
- даты и время:
25.10.2026 в 14:30; - суммы в рублях:
1250 руб.,99,90 ₽; - проценты, единицы, телефоны:
15%,60 км/ч,-5 °C,+7 (495) 123-45-67; - сокращения:
т.е.,и т.д.,2025 г.,3 млн руб.,ООО,МГУ; - порядковые и римские числа:
во 2-м,1-го мая,XIV век,Пётр I; - десятичные дроби с запятой:
0,75.
Эти записи модель читает неверно, пишите их словами:
| В тексте | Звучит | Пишите |
|---|---|---|
1 250, 10 000 000 | пробел делит число на два | 1250, 10000000 или «10 млн» |
$100, €50 | «сто целых сто тысячных доллара» | «100 долларов», «50 евро» |
1000 RUB | «тысяча раб» | «1000 рублей» |
2025-2026 гг. | гг. не раскрывается | «с 2025 по 2026 год» |
−5 (длинный минус) | «пять» | -5 или «минус 5» |
3/4 | «три дробь четыре» | «три четверти» |
1990-е | «…девяносто е» | «девяностые» |
Глава XIV | «глава ксиф» | «Глава 14» |
| URL, e-mail | по буквам | словами или уберите |
Разметка
| Что | Как | Пример |
|---|---|---|
| Ударение | + перед ударной гласной | Дверь заперта на зам+ок. |
| Буква ё | пишите всегда | Он берёт книгу. |
| Пауза | sil<[мс]>, до 7000 | Мороз и солнце, sil<[500]> день чудесный |
| Мягкая пауза | <[tiny]> … <[huge]> | Мороз и солнце; <[medium]> день чудесный |
| Акцент | **слово** | Я не говорил, что **он** украл деньги. |
| Фонемы | [[...]], звуки через пробел, латиница и IPA | Меня зовут [[v a sʲ ʌ]]. |
- Букву ё пишите всегда: она бесплатна, а без неё модель ошибается. Например, «Он берет книгу» прочитано неверно, «Он берёт книгу» верно.
+ставьте только на омографах, которые не разрешает контекст: каждый плюс оплачивается как символ.sil<[мс]>даёт паузу примерно на 0,5 с длиннее указанной: для паузы в секунду пишитеsil<[500]>. Больше 7000 - ошибка 400. Первым в текстеsil<[...]>не ставьте: там он читается вслух как «сил».- Мягкие паузы:
<[tiny]>около 0,12 с,<[small]>0,18,<[medium]>0,28,<[large]>0,38,<[huge]>0,46. - Знаки препинания тоже дают паузу: запятая и тире около 0,2 с, точка около
0,28 с. Перенос строки паузы не даёт, поэтому заканчивайте абзацы и строки
стихов точкой или
sil<[...]>. - Акцент поднимает высоту слова на 6-16%, на слух это едва заметно. Если смысл держится на одном слове, перестройте фразу. Звёздочки ставьте только парами: одиночная читается «звёздочка».
- Фонемы с ошибкой не вызывают ошибку запроса: модель прочитает их как обычный текст.
Параметры
voice- имя голоса строчными буквами:marina, а неMarina. Голоса OpenAI (alloy,novaи другие) модель не принимает. Неизвестный голос - ошибка 400.speed- скорость от 0.1 до 3.0,1.0- обычная. Значение вне диапазона - ошибка 400.pitch_shift- высота голоса от -1000 до 1000. Это условная шкала «ниже - выше», а не герцы: голос сдвигается заметно меньше, чем обещает число.role- амплуа, набор зависит от голоса: уmarinaестьwhisper, уjane-goodиevil. Амплуа, которого нет у голоса, - ошибка 400Role '{role}' is not available for voice '{voice}'.response_format:mp3(по умолчанию),oggopus(oggиopus- синонимы),wav. Другой формат - ошибка 400.
sber/salutespeech-tts
Числа и сокращения
Даты, время, суммы в рублях (2 499,99 ₽), проценты, единицы, дроби (1/2),
телефоны, римские и порядковые числа модель читает сама: пишите их цифрами.
Исключения:
- В одном запросе - не больше 4 дат с годом (
01.11.2026). С 6 датами модель зацикливается и отдаёт минуту шума по цене обычного запроса. Разбивка на предложения не помогает. Перечень дат пишите с одним годом («1, 8, 15 и 22 ноября 2026 года») или отправляйте несколькими запросами. - Валюты, кроме рубля, пишите словом: «100 долларов», «50 евро».
1990-епишите «девяностые».ОООи похожие сокращения из одинаковых букв пишите словами:ОООзвучит как «о».
Разметка
Разметки у модели нет. Паузу дают знак препинания или перенос строки.
- Пауза не бывает длиннее 0,4 с: несколько переносов строки подряд звучат как один.
- Апостроф после ударной гласной (
атла'с) срабатывает не на всех словах, примерно на каждом третьем. Апостроф перед гласной ломает слово. Если смысл держится на ударении, переформулируйте. +читается как «плюс»,sil<[...]>- как «сил». Знак ударения U+0301,**акцент**и ЗАГЛАВНЫЕ буквы звучание не меняют.- Букву ё ставить не нужно: «все» и «всё», «берет» и «берёт» модель различает по смыслу.
- Английские слова внутри русского текста модель читает по-английски.
Параметры
voice- имя голоса из карточки модели, напримерBab-Freespeech. Модель принимает и часть голосов OpenAI:alloy,echo,coralи другие. Голосаfable,onyx,novaи неизвестные имена - ошибка 400.speed,roleиpitch_shiftмодель не поддерживает: ошибка 400. Проходят только нейтральные значения:speed: 1.0,pitch_shift: 0, пустаяrole.response_format:wav(по умолчанию);pcm- 16 бит, 24 кГц, моно, без заголовка;pcmuиpcma- G.711, 8 кГц, для телефонии. Другой формат - ошибка 400.
vkcloud/text-to-speech
Числа и сокращения
Даты 25.10.2026, время 14:30, проценты, $10, €50, км/ч, -5 °C,
2025 г. модель читает сама: пишите их цифрами. Эти записи пишите словами:
| В тексте | Пишите |
|---|---|
1000 RUB, 100 USD | «1000 рублей», «100 долларов» |
99,90 ₽ | «99 рублей 90 копеек» |
т.е., и т.д. | «то есть», «и так далее» |
2026-10-25 | «25 октября 2026 года» |
+74951234567 | +7 495 123-45-67 или словами |
Л. Н. Толстой | «Лев Николаевич Толстой»: инициалы сливаются в «Луэн» |
ошибка 123 с таймаутом | «ошибка 123, связанная с таймаутом»: «с» после числа звучит «секунды» |
версия 2.4 | «версия 2 точка 4» |
1990-е | «девяностые» |
Латиницу пишите кириллицей: black -> «блэк». Модель читает латиницу плохо.
Разметка
| Что | Как | Пример |
|---|---|---|
| Ударение | ` перед ударной гласной | Дверь заперта на зам`ок. |
| Акцент | ^слово^ | Это ^мой^ билет. |
| Произношение | {как в тексте}{как читать} | {BMW}{Бээмв`э} |
| Пауза | точка или перенос строки | Львы. Тигры. Жирафы. |
- Ударение на омографах ставьте всегда. Знак на неверной гласной ломает
слово:
Т`олстойзвучит «толстый». - Перенос строки даёт паузу примерно на 0,3 с длиннее точки, каждый следующий перенос подряд добавляет 0,5 с.
- Букву ё пишите всегда: «Она все знает» и «Она всё знает» звучат по-разному.
- Разметку других моделей не используйте:
+,sil<[...]>и SSML читаются вслух, а[[...]]и<[...]>глотают текст после себя.
Параметры
voice:katherine(по умолчанию),maria,pavel, регистр не важен. Другое имя - ошибка 400.speed- от 0.75 до 1.75,1.0- обычная. Значение вне диапазона - ошибка 400.roleиpitch_shiftмодель не поддерживает: ошибка 400.response_format:mp3(по умолчанию),oggopus(oggиopus- синонимы),wav,pcm- 16 бит, 24 кГц, моно, без заголовка. Другой формат - ошибка 400.
Пример
from openai import OpenAI
client = OpenAI(base_url="https://api.tsarrouter.ru/v1", api_key="sk-tsar-...")
text = "Вход стоит 500 рублей.\nДля детей до 7 лет бесплатно."
with client.audio.speech.with_streaming_response.create(
model="sber/salutespeech-tts",
voice="Tsb-Freespeech",
input=text,
response_format="wav",
) as response:
response.stream_to_file("speech.wav")Ошибки синтеза описаны в «Списке ошибок», цены - в каталоге и на странице «Сколько стоит запрос».
Потоковое распознавание речи
Транскрипция в реальном времени через WebSocket /v1/realtime/transcriptions: формат событий OpenAI Realtime, подключение, аудио-формат, биллинг, пример кода
Сколько стоит запрос
Цена каждого запроса в usage.cost_rub и заголовке X-Cost-Rub, программный прайс GET /v1/models/info, правила тарификации и кэш промпта