Как защитить кредиты TTS и улучшить звучание: оценка контента и нормализация текста

Встраивая самообслуживаемый TTS в сайт, вы незаметно сталкиваетесь с двумя проблемами, которые почти не связаны с голосами, моделями или API. Первая: необработанный текст редко звучит из динамика так, как вам хочется. Вторая: как только вы размещаете TTS-эндпоинт на публичной странице, к нему могут обращаться посторонние. TTS2Go решает обе проблемы с помощью двух отдельных систем: конвейера нормализации текста, который переписывает неудобные для озвучки фрагменты перед синтезом, и слоя ИИ-оценки контента, который автоматически одобряет только те запросы, которым действительно место на вашем сайте. В этой статье разберём обе системы: зачем они нужны и почему важна их связка.

Браузерному SDK нужно знать, к какому проекту он относится, а этот идентификатор находится в коде, который пользователи могут посмотреть. Его можно защитить списками разрешённых доменов и ограничением частоты запросов, но секретом он не является. Если кто-то найдёт эндпоинт, он сможет отправлять запросы. И каждый из них, дойдя до синтеза, может расходовать ваши кредиты у провайдера.

Первое желание — требовать, чтобы каждый запрос перед генерацией одобрял человек. Это правильно — и именно так TTS2Go работает по умолчанию. Но объём этой работы растёт быстрее, чем команда, которая её выполняет. Когда появится реальный трафик, ручное одобрение превратится в постоянное отвлечение на полный рабочий день.

Что касается качества, TTS-провайдеры по-разному произносят распространённые конструкции. Дату вроде «2026-04-21» один движок прочитает как «двадцать первое апреля две тысячи двадцать шестого года», а другой — как «две тысячи двадцать шесть тире ноль четыре тире двадцать один». Валюты, время, сокращения и большие числа ведут себя непредсказуемо. Ваши авторы не управляют внутренним устройством провайдера, а провайдер ничего не знает о вашем контенте.

Каждый проект TTS2Go начинается с ручного одобрения. Когда SDK отправляет запрос на генерацию, он попадает в очередь в панели управления. Вы его просматриваете, одобряете или отклоняете, и кредиты расходуют только одобренные запросы. Это безопасный вариант по умолчанию, и он работает: команды, которым важен каждый фрагмент аудио, звучащий их голосом, получают полный контроль.

Но это медленно. При достаточном трафике такой процесс начинаешь мечтать передать машине.

ИИ-оценка контента и есть такая машина. Для каждого проекта вы настраиваете короткий профиль контента: описание тематики сайта, его тип, язык и несколько примеров текста. Когда приходит запрос на генерацию, TTS2Go отправляет текст запроса и профиль языковой модели, которая возвращает оценку от одного до десяти с кратким обоснованием.

Вы выбираете порог. Запросы с оценкой на уровне порога или выше автоматически одобряются и отправляются на синтез. Запросы ниже порога либо возвращаются в очередь ручной проверки, либо сразу отклоняются — как удобнее для вашего сайта. Шкала не бинарная: ступени идут от «спам или злоупотребление» внизу через «слабо связано», «правдоподобное совпадение», «хорошее совпадение» до «идеальное совпадение» наверху. Вы можете быть настолько строгими или лояльными, насколько это оправдано вашим контентом.

В результате случайные посторонние, которые нашли ваш эндпоинт и пытаются сгенерировать не относящийся к делу текст, получают низкую оценку и до синтеза не доходят. Легитимный контент с ваших собственных страниц получает высокую оценку и озвучивается без вашего участия. Вам остаётся смотреть только на промежуточную зону — и только когда захотите.

Оценивается исходный текст, а не нормализованный, потому что оценка касается уместности контента, а не того, как в итоге будет звучать аудио.

Когда контент одобрен для генерации, возникает следующий вопрос — как он будет звучать. Каждый одобренный запрос TTS2Go пропускает через основанный на правилах конвейер нормализации, прежде чем отправить провайдеру. Конвейер переписывает те части текста, которые провайдеры обрабатывают непоследовательно: целые и дробные числа, даты и время, валюты в нескольких форматах, проценты, римские цифры и распространённые сокращения вроде «Dr.», «Mr.» и «etc.».

«Счёт на $1,234.56 нужно оплатить до 2026-04-21» превращается в «Счёт на одну тысячу двести тридцать четыре доллара пятьдесят шесть центов нужно оплатить до двадцать первого апреля две тысячи двадцать шестого года». «В главе IV 5 разделов» превращается в «В главе четвёртой пять разделов». Каждое преобразование детерминировано, покрыто юнит-тестом и ничего не стоит во время работы — вся обработка локальная, без дополнительного API-запроса на пути к синтезу.

Правила вместо ещё одного ИИ-слоя — осознанный выбор. Правила предсказуемы: их можно воспроизвести, объяснить и сравнить построчно. Если пользователь услышит что-то странное, вы сможете точно выяснить почему и исправить конкретное правило, которое это вызвало. Аудио — это выступление, а выступлению нужен повторяемый сценарий.

Эти две системы работают на противоположных концах конвейера. Оценка решает, что дойдёт до синтеза. Нормализация решает, как это будет звучать. Одна защищает ваш бюджет, другая — качество результата. Уберите оценку — и ваши кредиты окажутся без защиты; уберите нормализацию — и аудио станет непоследовательным. Вместе они превращают интеграцию TTS из проекта, которому нужны модератор контента и лингвист, в одну строку кода SDK.

У обеих систем есть живые демо в боковом меню панели управления. На странице AI Content Scoring можно вставить пример текста и увидеть точную оценку, обоснование и решение об автоодобрении с учётом профиля контента любого из ваших проектов. На странице Speech Formatting есть поле Try-It, которое показывает нормализованную версию всего, что вы вводите, рядом с примерами «до» и «после». У обеих страниц есть ограничение частоты запросов, ни одна не расходует кредиты, и каждая показывает ровно то, что происходит в продакшене при поступлении реального запроса.

Если у вас уже есть проект TTS2Go, откройте панель управления и попробуйте обе. Если вы только начинаете, создайте проект, добавьте React SDK на страницу и позвольте ручной очереди поймать первые несколько запросов — вы увидите весь конвейер в действии от начала до конца.