ЦАРЬ РОУТЕР

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-ttssber/salutespeech-ttsvkcloud/text-to-speech
Длина inputдо 4999 символовдо 4999 символовдо 4999 символов
Оплатаблоками по 250 символов, разметка входит в счётза каждый символ, включая пробелы и эмодзиза каждый символ, разметка входит в счёт
Разметкаударение, паузы, акцент, фонемынетударение, акцент, произношение
Паузызнаки препинания и разметка; перенос строки - нетзнаки препинания и перенос строки, до 0,4 сточка и перенос строки
Буква ёпишите всегдане нужна, модель ставит самапишите всегда
voicemarina и ещё 13 голосовBab-Freespeech и ещё 8 голосовkatherine, maria, pavel
speed0.1-3.0только 1.00.75-1.75
roleзависит от голосанетнет
pitch_shiftот -1000 до 1000нетнет
response_formatmp3, oggopus, wavwav, 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, пустая role.
  • instructions не поддерживает ни одна модель. Интонацию у yandex/yandex-tts задаёт role.
  • stream_format принимает только audio.
  • 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 5-10 пишите «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 текстеЗвучитПишите
1 250, 10 000 000пробел делит число на два1250, 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-mailпо буквамсловами или уберите

Разметка

ЧтоКакПример
Ударение+ перед ударной гласнойДверь заперта на зам+ок.
Буква ёпишите всегдаОн берёт книгу.
Паузаsil<[мс]>, до 7000Мороз 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 IPAМеня 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 пишите sil<[500]>. Больше 7000 - ошибка 400. Первым в тексте sil<[...]> 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 не Marina. Голоса OpenAI (alloy, nova и 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: у marina есть whisper, у jane - good и evil. Амплуа, которого нет у голоса, - ошибка 400 Role '{role}' is not available for voice '{voice}'.
  • response_format: mp3 (по умолчанию), oggopus (ogg и opus - 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-е пишите «девяностые».
  • ООО и похожие сокращения из одинаковых букв пишите словами: ООО звучит 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, например Bab-Freespeech. Модель принимает и часть голосов OpenAI: alloy, echo, coral и другие. Голоса fable, onyx, nova и неизвестные имена - ошибка 400.
  • speed, role и pitch_shift модель не поддерживает: ошибка 400. Проходят только нейтральные значения: speed: 1.0, pitch_shift: 0, пустая role.
  • response_format: wav (по умолчанию); pcm - 16 бит, 24 кГц, моно, без заголовка; pcmu и pcma - 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 текстеПишите
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

ЧтоКакПример
Ударение` перед ударной гласнойДверь заперта на зам`ок.
Акцент^слово^Это ^мой^ билет.
Произношение{как в тексте}{как читать}{BMW}{Бээмв`э}
Паузаточка или перенос строкиЛьвы. Тигры. Жирафы.
  • Ударение на омографах ставьте всегда. Знак на неверной гласной ломает слово: Т`олстой звучит «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.
  • role и pitch_shift модель не поддерживает: ошибка 400.
  • response_format: mp3 (по умолчанию), oggopus (ogg и opus - 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».

На этой странице

Редактировать на GitVerse