Голосовой бот ломается не на тембре, а на имени клиента и сумме с НДС

«Восьмого сентября 2026 года ООО „Ёлочка” подписало договор на 1 250 000 ₽ с НДС. Замок на складе заело, и замок XVI века тут ни при чём». Это кусок стресс-теста из разбора BotHub на Хабре: 289 знаков и семь ловушек — ё в названии, сумма с НДС, два «замка» с разным ударением, римские цифры, номер ГОСТа, латиница. Автор прогнал текст через три модели и показал, где каждая спотыкается.

Я читал это как материал про озвучку статей, а слышал телефонный разговор. Из таких кусков состоит всё, что голосовой агент говорит клиенту: название компании, сумма, дата отгрузки, номер заказа. На демо вендора голос читает что-нибудь про кофе и звучит отлично. В бою он будет читать вашу CRM.

В боте текст для озвучки пишет модель, и редактора между ними нет

Главный совет источника — чинить не настройки, а текст до синтеза. Ударение ставится знаком: у Яндекса плюс перед гласной («зам+ок»), у большинства остальных — символ Unicode U+0301. Числа пишутся словами, потому что «к 15 марта» модель читает как «к пятнадцать марта», а «в 2026 г.» — с голым «г» на конце. Латиницу автор советует транслитерировать: «эй-пи-ай вернул двести о-кей». Для аудиоверсии статьи это двадцать минут работы редактора с текстом в руках.

В голосовом боте человека с текстом в руках нет. Фразу «Иван Семёнович, заказ 48-Т на один миллион двести пятьдесят тысяч с НДС отгрузим к пятнадцатому марта» собирает языковая модель прямо в разговоре, из полей CRM, и отдаёт синтезу как есть. То есть «подготовить текст» превращается из ручной правки в слой кода между моделью и синтезом: склонение чисел и дат, словарь ударений под ваши фамилии, улицы и названия номенклатуры, транслитерация артикулов с латиницей. На демо этот слой не показывают, а именно он решает, услышит клиент «Ёлочку» или «Елочку». Адресов в статье нет, это моё наблюдение: улица с нестандартным ударением ломается так же, как «замок».

«Модель читает символы, а не мысли автора».

Самый живой голос в трубке работает против вас

Самая выразительная модель в тесте, ElevenLabs v3, прочитала те же 289 знаков за 34 секунды против 23 у OpenAI tts-1, а файл генерировала около двадцати секунд против пяти. Для подкаста это плюс: паузы и человеческий темп. В телефонной трубке лишние одиннадцать секунд на абзац — это клиент, который заговорил поверх бота. Про перебивания в статье ни слова, это из наших проектов с голосовыми агентами: чем длиннее и актёрнее реплика, тем чаще её перебивают, и тем важнее, чтобы агент умел замолчать на полуслове и услышать, что ему сказали.

Для бота главная цифра из того же материала другая — время до первого звука. Cartesia Sonic 3.5 отдаёт его примерно за 82 миллисекунды, Deepgram Aura-2 — меньше чем за 90. Автор пишет, что для статьи эти цифры бессмысленны, а для голосового бота это разница между «работает» и неловкой паузой посреди разговора. Оговорюсь: прогон в статье шёл файлом через интерфейс, не потоком, так что двадцать секунд у ElevenLabs — не задержка в звонке, а намёк, что выразительность и скорость тянут в разные стороны; под скорость у них есть Flash и Turbo, звучат проще.

По деньгам, по моим прикидкам из того же прогона: tts-1 — около 2 ₽ за минуту речи бота, v3 — около 13,5 ₽. Цены посредника на 8 сентября, порядок, а не ваш бюджет.

Из России в рублях — SpeechKit, остальное через посредников или на своём железе

Google требует аккаунт в Cloud и зарубежную карту. OpenAI и ElevenLabs — через посредников вроде BotHub, и здесь оговорка: источник и есть статья BotHub с реферальной ссылкой, так что «попробуйте у нас» делите на два. Цифрам прогона при этом верю: списания совпали с их же прайсом.

Yandex SpeechKit с 2026 года живёт внутри Yandex AI Studio: 1 342 ₽ за миллион символов в первой версии API или 0,1626 ₽ за запрос в третьей, причём запрос длиннее 250 символов считается кратно. Всё в рублях, с НДС и закрывающими документами. Для бота тариф «за запрос» ложится естественно: реплика в разговоре почти всегда короче 250 знаков, выходит примерно 16 копеек за фразу — это моя арифметика. Свой голос компании, Brand Voice, там от 101 666 ₽ в месяц за хостинг. Потрогать без регистрации нельзя, автор на этом и застрял.

Если персональные данные клиентов наружу отдавать нельзя — открытые модели на своём железе. Fish Audio S2 Pro звучит лучше всех среди открытых, но коммерческое использование по её лицензии платное; CosyVoice 2 берут за низкую задержку в потоке, то есть как раз под бота. Ни одну из них в боевом звонке я не гонял, цитирую статью. SaluteSpeech от Сбера в сравнении не участвовал, и на этих же фразах я его не проверял.

Проверка за день: двадцать фраз из CRM и секундомер

Источник советует не выбирать голос по образцу с лендинга, а прогнать свой абзац. Для бота я бы сделал так.

Попросите руководителя поддержки или РОПа выгрузить двадцать реальных реплик, которые бот будет произносить: пять с именами клиентов и названиями компаний (с ё и парой иностранных фамилий), пять с суммами с НДС и датами в косвенном падеже, пять с адресами и артикулами, где есть латиница, пять с номерами заказов и телефонов. Прогоните через два-три движка, слушайте только точки ловушек и считайте ошибки на двадцать фраз. Найденное чините в тексте, а не в настройках — скорость и высота тона ударение не исправят.

Потом позвоните на демо-номер каждого вендора с мобильного и дважды перебейте бота на полуслове. Если после своего вопроса успеваете про себя сказать «раз-и» до первого звука ответа — для продаж это долго; порог мой, не из статьи. И третий вопрос вендору, самый неудобный: кто через полгода будет пополнять словарь ударений под нашу номенклатуру.