Настройка STT и TTS

В режиме Pipeline голосовой агент использует отдельные провайдеры для распознавания речи (STT) и синтеза речи (TTS). Правильный выбор провайдеров влияет на качество, задержку и стоимость разговоров.

Провайдеры STT (Speech-to-Text)

Deepgram

• Модели: Nova 3 (последняя, лучшая точность), Nova 2 (быстрая и точная)
• Особенности: низкая задержка, стриминговое распознавание, хорошая поддержка многих языков
• Рекомендуется для: большинства сценариев, особенно когда важна скорость

Совет

Deepgram Nova 3 -- рекомендуемый выбор по умолчанию. Он обеспечивает лучший баланс между скоростью и точностью.

OpenAI Whisper

• Модели: Whisper
• Особенности: отличная мультиязычная поддержка, высокая точность на редких языках
• Рекомендуется для: мультиязычных сценариев с редкими языками

Cartesia

• Модели: Ink Whisper
• Особенности: мультиязычная поддержка
• Ограничение: не поддерживает режим Auto-detect (автоопределение языка). Если выбран Auto-detect, система автоматически переключается на английский

Yandex SpeechKit

• Модели: general (универсальная), general:rc (release candidate с улучшениями)
• Особенности: лучшее качество распознавания русской речи, низкая задержка для российского региона, поддержка телефонии (8 кГц)
• Рекомендуется для: русскоязычных сценариев, особенно при работе через SIP-телефонию

Настройка языка STT

Параметр Language определяет язык распознавания:

• Auto-detect (multi) -- автоматическое определение языка. Поддерживается Deepgram и OpenAI
• Конкретный язык (English, Русский, Deutsch и др.) -- фиксированный язык распознавания

Платформа поддерживает более 40 языков, включая: English, Русский, Deutsch, Francais, Espanol, Portugues, Italiano, Polski, Turkce, китайский, японский, корейский, арабский, хинди и многие другие.

Примечание

В режиме Realtime язык STT также влияет на язык транскрипции входящего аудио через gpt-4o-transcribe. Если выбран Auto-detect, система использует английский как fallback.

---

Провайдеры TTS (Text-to-Speech)

Cartesia

• Модели: Sonic 3 (по умолчанию), Sonic 3.5, Sonic 3.6
• Голоса: каталог загружается из аккаунта Cartesia по ключу организации и фильтруется по языку и полу
• Особенности:
  • У каждого голоса один язык -- в каталоге показываются только голоса на выбранном языке
  • Поддержка эмоциональной окраски (happy, sad, angry, surprised и др.)
  • Регулировка скорости речи
  • Word timestamps для языков: английский, немецкий, испанский, французский
• Рекомендуется для: высокого качества голоса с кастомизацией

Примечание

Модели Sonic 2 и Sonic Turbo Cartesia отключает 20 октября 2026 года, поэтому в списке моделей их больше нет. Если агент был настроен на одну из них, выберите для него Sonic 3 или новее.

Совет

Cartesia -- рекомендуемый TTS-провайдер по умолчанию. Он обеспечивает быстрый синтез с поддержкой эмоций и широким выбором голосов.

OpenAI

• Модели: TTS-1 (по умолчанию), TTS-1 HD, GPT-4o mini TTS
• Голоса: Alloy, Ash, Coral, Echo, Sage, Shimmer -- фиксированный список, голоса мультиязычные
• Особенности: стабильное качество, хорошая мультиязычность
• Рекомендуется для: простых сценариев без необходимости кастомизации голоса

ElevenLabs

• Модели: Turbo v2.5 (по умолчанию), Flash v2.5, Multilingual v2
• Голоса: каталог загружается из аккаунта ElevenLabs по ключу организации, включая ваши клонированные голоса
• Особенности: премиальные голоса, клонирование голоса, высокая естественность. Голоса мультиязычные: в каталоге первыми идут те, что ElevenLabs проверил для выбранного языка, остальные остаются доступны ниже
• Рекомендуется для: сценариев, где критично качество голоса

Deepgram

• Голоса: полный каталог Aura (около ста голосов) загружается из Deepgram по ключу организации. Отдельной модели нет -- голос и есть модель
• Языки: английский, испанский, немецкий, французский, итальянский, нидерландский, японский. Русских голосов у Deepgram нет
• Особенности: низкая задержка синтеза
• Рекомендуется для: сценариев с критичной задержкой на поддерживаемых языках

Inworld

• Модели: TTS 2 (по умолчанию), TTS 1.5 Max, TTS 1.5 Mini
• Голоса: каталог загружается из Inworld по ключу организации и фильтруется по языку
• Особенности: экспрессивные AI-голоса
• Рекомендуется для: игровых и развлекательных сценариев

Yandex SpeechKit

• Голоса: Алёна (ж.), Jane (ж.), Omazh (ж.), Даша (ж.), Лера (ж.), Маша (ж.), Марина (ж.), Ermil (м.), Захар (м.), Madirus (м.) -- фиксированный список, все голоса русские
• Особенности: естественное русское произношение, регулировка скорости, роли голоса (см. Эмоция), телефонное качество (8 кГц) для SIP
• Рекомендуется для: русскоязычных сценариев, особенно колл-центров и телефонии

---

Настройки TTS

Голос (Voice)

Провайдер, модель и голос выбираются в одном месте. В секции Синтез речи (TTS) поле Голос показывает текущий выбор в виде «Провайдер · имя голоса». Нажмите на него -- откроется окно Выбор голоса.

Что есть в окне:

Элемент	Назначение
Провайдер	TTS-провайдер. Первым пунктом идёт Избранное
Модель	Модель синтеза выбранного провайдера. Неактивна у провайдеров без выбора модели (Deepgram, Yandex SpeechKit)
Язык	Фильтр по языку. Изначально стоит язык агента; пункт Все языки снимает фильтр. Неактивен у OpenAI, чьи голоса мультиязычные
Пол	Фильтр: мужской, женский, нейтральный
Поиск	Поиск по имени, описанию или идентификатору голоса

Под фильтрами -- таблица голосов с именем и описанием, языком и полом. В каждой строке три действия:

• ☆ В избранное -- добавить голос в избранное организации (см. ниже)
• ▶ Прослушать пример -- услышать голос до выбора
• Выбрать -- применить голос к агенту. Вместе с голосом сохраняются провайдер и модель, выбранные в окне. У текущего голоса агента кнопка показывает Выбран; если вы сменили в окне модель, она превращается в Применить модель -- так модель меняется без смены голоса

Каталог показывает до 100 голосов по текущим фильтрам -- если нужного голоса не видно, уточните язык, пол или поиск.

Прослушивание голоса

Кнопка ▶ есть у каждого голоса всех провайдеров. Пример берётся так:

1. Если у провайдера есть готовая запись голоса -- играет она (Cartesia, ElevenLabs, Deepgram, Inworld)
2. Если готовой записи нет -- короткая фраза синтезируется этим голосом по ключу вашей организации (так работают OpenAI, Yandex SpeechKit и часть голосов Cartesia)

Синтез происходит только по нажатию ▶ и только для этого голоса. Результат сохраняется, поэтому повторное прослушивание того же голоса провайдера уже не вызывает.

Фраза произносится на языке, выбранном в фильтре окна. Если голос на этом языке не говорит (например, испанский голос Deepgram у русскоязычного агента), он произносит фразу на своём языке.

Избранное

Звёздочка ☆ в строке добавляет голос в избранное. Избранное общее для организации: его видят все участники, и оно доступно в любом агенте.

Пункт Избранное в списке провайдеров показывает отмеченные голоса разных провайдеров в одной таблице с колонкой Провайдер. Фильтры по языку и полу и выбор модели в этом режиме неактивны, поиск работает. При выборе голоса из избранного модель агента сохраняется, если провайдер тот же; для другого провайдера берётся его модель по умолчанию.

Метка «✓ проверен для ...»

У ElevenLabs голоса мультиязычные: любой голос может говорить на любом поддерживаемом языке. Метка ✓ проверен для ru (код языка из фильтра) означает, что ElevenLabs проверил качество этого голоса на выбранном языке. Такие голоса идут в начале списка. Остальные голоса тоже можно выбрать -- они просто не проходили проверку для этого языка.

Язык (Language)

Язык синтеза речи. От него зависят сразу несколько вещей:

• какие голоса показывает окно Выбор голоса по умолчанию
• на каком языке звучит пример при прослушивании
• на каком языке агент произносит стандартные фразы возврата в диалог, если своё сообщение не задано

Для Cartesia важно указать корректный язык, так как он влияет на произношение и поддержку word timestamps.

Важно

Параметр Auto-detect недоступен для TTS -- необходимо явно указать язык синтеза.

Эмоция (Emotion)

Доступные эмоциональные окраски (зависит от провайдера):

Эмоция	Описание
Neutral	Нейтральный, деловой тон
Happy	Жизнерадостный, приподнятый
Sad	Грустный, сочувственный
Angry	Раздражённый, настойчивый
Fearful	Тревожный, обеспокоенный
Disgusted	Неодобрительный
Surprised	Удивлённый

Эмоцию применяют не все провайдеры:

Провайдер	Как используется эмоция
Cartesia	Применяется как есть
Yandex SpeechKit	Переводится в роль голоса: Happy → good, Angry → evil. Neutral и остальные эмоции не передаются -- голос звучит в своей обычной манере
OpenAI, ElevenLabs, Deepgram, Inworld	Не используется

Примечание

Роли есть не у всех голосов Yandex SpeechKit. Если выбранный голос роль не поддерживает, агент автоматически говорит без неё -- звонок из-за этого не прерывается.

Скорость (Speed)

Регулировка скорости речи от 0.5x (медленная) до 2.0x (быстрая). По умолчанию: 1.0x.

Скорость применяют Cartesia и Yandex SpeechKit. OpenAI, ElevenLabs, Deepgram и Inworld этот параметр не используют.

---

API-ключи провайдеров

Для работы STT и TTS провайдеров необходимы API-ключи. Ключи могут быть:

1. На уровне организации -- настраиваются в разделе "Провайдеры" (см. Аудио-провайдеры) и используются всеми агентами
2. На уровне сессии -- передаются при запуске сессии для переопределения ключей организации

Система ищет API-ключ в следующем порядке:

1. Ключ, специфичный для использования (например, cartesia-tts или cartesia-stt)
2. Общий ключ провайдера (например, cartesia)
3. Ключ из переменных окружения

Ключ организации нужен и для окна Выбор голоса: по нему загружаются каталоги Cartesia, ElevenLabs, Deepgram и Inworld и синтезируются примеры голосов. Без ключа окно покажет сообщение «Не удалось загрузить каталог ... Проверьте ключ в Настройки → API-ключи». Списки голосов OpenAI и Yandex SpeechKit видны и без ключа, но прослушать пример без него не получится.

Важно

Без корректных API-ключей голосовой агент не сможет функционировать. Убедитесь, что ключи настроены до первого тестирования.

Рекомендуемые конфигурации

Для русскоязычных агентов

Компонент	Провайдер	Модель	Параметры
STT	Deepgram	Nova 3	Language: Русский
LLM	OpenAI	GPT-4o	Temperature: 0.7
TTS	Cartesia	Sonic 3	Language: Русский, Speed: 1.0

Для русскоязычной телефонии (SIP)

Компонент	Провайдер	Модель	Параметры
STT	Yandex SpeechKit	general:rc	Language: Русский
LLM	OpenAI	GPT-4o	Temperature: 0.7
TTS	Yandex SpeechKit	—	Voice: Алёна, Emotion: Neutral

Для мультиязычных агентов

Компонент	Провайдер	Модель	Параметры
STT	Deepgram	Nova 3	Language: Auto-detect
LLM	OpenAI	GPT-4o	Temperature: 0.7
TTS	OpenAI	TTS-1	Voice: Alloy

Для минимальной задержки

Компонент	Провайдер	Модель	Параметры
STT	Deepgram	Nova 2	Language: по ситуации
LLM	OpenAI	GPT-4.1 Mini	Temperature: 0.7
TTS	Deepgram	—	Voice: любой голос Aura на языке агента