Почему в русских voice-продуктах мало просто приятного голоса

Когда говорят о голосовых интерфейсах, разговор почти всегда быстро уходит в привычные стороны: какой движок лучше, у кого приятнее тембр, где дешевле генерация, кто умеет клонировать голос, а кто - читать длинные тексты без явных сбоев.

Но в русскоязычных voice-продуктах реальная проблема обычно не там.

Проблема в том, что для пользователя голос - это не «озвучка текста». Он воспринимается как присутствие. Если всё работает хорошо, человек довольно быстро начинает относиться к голосу не как к функции, а почти как к цифровому сотруднику: к чему-то знакомому, устойчивому, со своей манерой. К такому голосу привыкают.

Именно поэтому здесь так мало просто «красивого тембра».

Для русского voice-слоя приятного голоса недостаточно. Он ещё должен выдерживать сам язык: ударения, ритм, интонацию, числа, сокращения, длинные фразы, микропаузу там, где она действительно нужна, и отсутствие паузы там, где она ломает мысль.

Если этого нет, образ рассыпается очень быстро.

Красивый голос ещё не означает хороший голосовой интерфейс

Есть голоса, которые прекрасно звучат в демо. Первые десять секунд - мягкий тембр, чистое чтение, приятное ощущение. Кажется, что всё уже почти готово: осталось только встроить это в продукт.

Потом начинается реальный текст.

Появляются даты. Адреса. Названия улиц. Русские фамилии. Аббревиатуры. Сложные фразы, которые в живой речи не читаются по одному шаблону. Вопросы, где важен не только смысл ответа, но и то, как именно он прозвучал. И вот в этот момент часто выясняется, что «приятный голос» был в основном витриной.

Потому что в voice-продукте оценивают не отдельный звук, а устойчивость поведения на дистанции.

Пользователь не думает категориями «здесь TTS-модель ошиблась в просодии». Он просто слышит, что что-то не так. Где-то голос споткнулся. Где-то прозвучал слишком механически. Где-то сломал фразу. Где-то ударение формально почти допустимо, но ухо всё равно не приняло. И доверие проседает.

Иногда из-за одной мелочи.

Русский язык очень быстро разоблачает фальшь

У русскоязычного voice-слоя есть неприятная особенность: он почти не прощает декоративную гладкость.

Можно сделать голос очень плавным, очень «дружелюбным», очень старательным, даже местами выразительным, но если он не держит базовую языковую устойчивость, это слышно сразу.

Причём слышно не только на явных ошибках. Не обязательно даже дождаться грубого неправильного ударения. Иногда достаточно менее заметных вещей:

• фраза звучит как будто собрана не тем ритмом;
• пауза возникает на месте, где живой человек её бы не сделал;
• голос не несёт мысль, а просто последовательно озвучивает слова;
• вежливость звучит как наклеенный слой поверх пустого центра.

На бумаге всё может быть правильно. В транскрипте тоже. Но на слух это уже не живой голос, а его имитация.

Характер начинается не с биографии персонажа

Когда продуктовые команды думают про voice, им часто хочется сначала придумать образ: кто это говорит, какой у него темперамент, насколько он официальный или тёплый, как он шутит, как обращается к человеку.

Это нормальный ход. Но в русском языке он легко оказывается преждевременным.

Потому что пользователь сначала слышит не «личность». Сначала он слышит, насколько голос вообще держится. Насколько ему можно доверить простую фразу. Не раздражает ли он на третьем ответе. Не превращает ли нормальное сообщение в синтетическую декламацию. Не рассыпается ли там, где текст становится чуть менее шаблонным.

То есть порядок здесь обычно такой:

1. Базовый слуховой порог

   Сначала голос должен просто пройти его - быть приятным на слух.

2. Реальные тексты

   Потом он должен выдержать настоящий русский текст, а не витринную демо-фразу.

3. Право на характер

   И только после этого у него появляется право на характер.

До этого момента любой «персонаж» остаётся скорее упаковкой.

Можно сколько угодно описывать голос как внимательный, уверенный, спокойный или деликатный. Но если он ошибается в простых словах или ломает естественный ритм фразы, пользователь не услышит характер. Он услышит сбой.

Почему это важно именно для продукта, а не только для эстетики

На первый взгляд может показаться, что это вопрос вкуса. Ну да, один голос чуть приятнее, другой чуть хуже. Кому-то нравится быстрее, кому-то медленнее. Разве это не просто субъективщина?

Не совсем.

В voice-продукте качество голоса влияет не только на удовольствие от звучания. Оно влияет на поведение человека:

• дослушает ли он ответ;
• поймёт ли его с первого раза;
• почувствует ли напряжение;
• будет ли готов продолжать диалог;
• начнёт ли относиться к системе как к помощнику, а не как к раздражающей прокладке.

Голосовой интерфейс почти всегда работает на доверии. Особенно если речь идёт не о разовом вау-демо, а о регулярном использовании: записи, подсказках, навигации по сайту, объяснении шагов, ответах на повторяющиеся вопросы.

Если голос утомляет, сбоит или звучит чужеродно, человек может даже не сформулировать это словами. Он просто меньше хочет с ним взаимодействовать.

А это уже продуктовая проблема.

Выбор голоса - это не поиск «самого красивого»

Частая ошибка - выбирать voice-слой как будто речь идёт о кастинге диктора. Слушают пару демо, отмечают, что этот голос звучит «дороже», а этот «теплее», и на этом почти принимают решение.

На практике лучше работает другой принцип. Нужен не самый эффектный голос. Нужен голос, который:

• не ломает русский язык;
• не начинает раздражать на длинной дистанции;
• не переигрывает;
• не заискивает;
• не кажется слишком медленным или слишком драматичным;
• остаётся понятным на обычных продуктовых текстах.

То есть хороший голос для интерфейса часто менее театральный, чем хочется на старте. Но зато он устойчивее. А устойчивость в реальном продукте почти всегда важнее впечатляющего первого эффекта.

Здесь нет чистой автоматической оценки

Есть ещё одна неприятная правда о voice-разработке: качество голоса нельзя надёжно свести к одной автоматической метрике.

Машина может помочь в техническом анализе:

• где сбивается темп;
• как устроены паузы;
• что происходит с длиной фраз;
• где возможны проблемы с произношением;
• как голос ведёт себя на числах, датах и аббревиатурах.

Но финальный вопрос остаётся человеческим:

• хочется ли это слушать;
• чувствуется ли в голосе уверенность;
• не звучит ли он липко или пластмассово;
• воспринимается ли он как функция или как присутствие;
• хочется ли после третьей-четвёртой реплики продолжать контакт.

Для русского voice-слоя это особенно заметно. Транскрипт может быть правильным, а впечатление - нет. Формально всё сказано верно, но ухо не принимает мелодику, паузу или общий способ звучания.

Поэтому voice в русском - это не кнопка и не готовый модуль. Это ремесло с очень неприятными компромиссами.

Что в итоге работает

Обычно лучше всего работают не самые «выразительные» голоса, а те, у которых есть три свойства одновременно:

• Языковая устойчивость. Голос не сыпется на реальном русском тексте.
• Спокойный характер. Он не играет роль слишком активно, но остаётся узнаваемым.
• Дистанционная пригодность. Его можно слушать не один рекламный абзац, а много коротких продуктовых ситуаций подряд.

Именно из этого уже рождается то, что действительно важно для интерфейса: привычка. Не к движку. Не к бренду модели. Не к обещанию «почти как человек». А к устойчивому способу присутствия, который со временем начинает ощущаться как нормальный цифровой сотрудник.

Вывод

В русских voice-продуктах мало просто приятного голоса. Если голос не держит ударения, ритм и интонацию, пользователь не услышит никакого характера - только технический шов. А если база крепкая, характер, наоборот, начинает считываться даже без лишней театральности.

Поэтому главный вопрос здесь не «какой голос красивее». Главный вопрос - какой голос выдерживает русский язык так, чтобы у человека появилось доверие и привычка. И, возможно, именно это сегодня отличает демонстрацию технологии от настоящего голосового продукта.