Neuro TTS: как работает новая технология синтеза речи от Neuro.net

Neuro TTS: что именно выпустила Neuro.net

Российская компания Neuro.net выпустила новое поколение технологии синтеза речи — Neuro TTS. Как сообщает «Компьютерра», модель предназначена для встраивания в голосовые ИИ-решения и доступна через API. Для аудитории ниши важен конкретный стек: связка больших языковых моделей с диффузионным синтезом и потоковая выдача аудио.

Архитектура

Основа Neuro TTS — комбинация LLM и диффузионного синтеза. Пайплайн задействует языковую модель для учёта контекста и акустических особенностей реплики. Диффузионный вокодер отвечает за финальный звуковой выход. Заявленная характеристика по latency: первые аудиоданные поступают примерно через 120 мс после запроса. Это TTFB, а не длительность всей реплики — генерация идёт потоково, воспроизведение стартует до завершения синтеза.

Интеграция и каналы

Модель развёрнута в продуктовом контуре. Доступ — REST и WebSocket. Два сценария интеграции: запрос-ответ и стриминг. Поддерживается русская речь. На сайте сервиса можно выбрать голос и протестировать синтез. Заявлена возможность задавать характер звучания ИИ-агента и подключать синтез к собственным сервисам компании. Целевой сценарий, который выделяет сама Neuro.net, — контакт-центры: ASR, определение намерения, формирование ответа, синтез — единый диалоговый пайплайн.

Что проверить на практике

Latency 120 мс — цифра на демо. В реальном диалоге TTFB нужно мерить на полной цепочке TTS плюс сетевой канал до клиента. Длинные реплики: стабильность голоса и акустики при генерации фрагментов после первой паузы — отдельная проверка. Диффузионный вокодер чувствителен к шуму conditioning-эмбеддингов; на узких тематиках (имена, числительные, адреса) стоит прогнать стресс-выборку. Управление «характером звучания» через API — посмотреть, какие параметры выставлены наружу: pitch, скорость, prosody-токены или эмбеддинг спикера. Кастомные голоса и дообучение весов в анонсе не упомянуты — потенциальное ограничение, если нужен zero-shot на редких дикторах.

Позиционирование

Глава группы компаний, в которую входит Neuro.net, Александр Цепелев обозначил ставку на собственные технологии разговорного ИИ и независимость пайплайна:

«В Neuro.net мы годами развиваем собственные технологии разговорного ИИ: распознавание и синтез речи, управление диалогом. Для нас это и технологическая независимость, и возможность самим определять, на что способны наши продукты. Мы хотим, чтобы технологии, которые создает наша команда, выдерживали сравнение с лучшими мировыми решениями. Мы видим, как в мире конкуренция ИИ-компаний заставляет даже гигантов двигаться быстрее, пересматривать стратегии и выпускать то, что еще вчера казалось невозможным. Я хочу, чтобы в России было так же. Чтобы за внимание бизнеса боролись качеством технологий, скоростью и результатом».

Для интегратора главное — TTFB на 120 мс в продакшене, REST и WS-доступ, поддержка русского и понятный контроль просодии. Остальное выяснится на бенчмарке.