Prostoe IT

Протестировал голосовые нейросети на живых записях, а не на демо из документации

Демо-ролики голосовых ИИ на сайтах сервисов всегда звучат идеально — потому что записаны в тихой студии с чётким сценарием. Я прогнал синтез речи и транскрибацию через реальные условия: шумное кафе, перебивающие друг друга спикеры, акцент, быстрая речь. Результат сильно отличается от того, что показывают на главной странице.

Что и как тестировал

Две задачи: синтез речи (текст → голос) и транскрибация (голос → текст). Для синтеза сравнивал натуральность и интонацию на длинном тексте (3 минуты), а не на одной демо-фразе. Для транскрибации брал три записи: чистое интервью в кабинете, созвон на Zoom с перебиванием, и разговор в кафе с фоновым шумом.

Синтез речи: три сервиса на длинной дистанции

ElevenLabs. На первых 30 секундах интонация звучит естественно, но на третьей минуте заметны повторяющиеся паттерны ударения — модель начинает «зацикливаться» на одной и той же манере произношения независимо от смысла фразы. Для коротких роликов (до минуты) — лучший результат в подборке.

Play.ht. Более ровный результат на длинной дистанции, интонация не «устаёт» к третьей минуте, но менее выразительна с самого начала — звучит немного суше, зато предсказуемо на длинных текстах вроде аудиоверсий статей.

Bark (открытая модель). Худший результат по стабильности — на длинном тексте периодически «съедает» окончания слов или вставляет паузу не в том месте. Плюс — можно запускать локально без отправки текста на сервер, что важно для конфиденциальных материалов.

Транскрибация: где рвётся качество

Чистое интервью в кабинете — все три протестированных сервиса (Whisper, Otter.ai, Speechmatics) показали точность выше 95%, различия минимальны и не принципиальны для выбора.

Созвон с перебиванием. Здесь разброс существенный: Whisper часто «склеивает» реплики двух говорящих в одну, если они перебивают друг друга — то есть текст технически верный, но привязка к спикеру теряется. Otter.ai и Speechmatics справляются с разделением по говорящим заметно лучше, потому что изначально заточены под многопользовательские созвоны, а не под одиночную дорожку.

Разговор в кафе с фоновым шумом. Точность у всех сервисов падает на 15–25% по сравнению с чистой записью. Худший результат — на фразах, произнесённых тише остальной речи: их либо не распознают вовсе, либо заменяют похожим по звучанию словом без пометки о неуверенности.

Спорный тезис: точность транскрибации в процентах — обманчивая метрика

Сервисы любят указывать точность «96%» или «98%» — но эта цифра усредняет по всей записи, а ошибки не распределены равномерно. Модель почти никогда не ошибается на простых бытовых фразах и куда чаще — на именах собственных, цифрах и терминах, то есть именно на той информации, которая критична для протокола встречи или интервью. 96% точности звучит убедительно, пока не выясняется, что оставшиеся 4% — это все цифры и имена в тексте.

Как выбрать инструмент под задачу

  • Разовое короткое видео с озвучкой — ElevenLabs, разница в качестве на короткой дистанции того стоит.
  • Аудиоверсия длинной статьи или подкаста — Play.ht за счёт стабильности на длинных текстах.
  • Конфиденциальные материалы, где нельзя отправлять данные на сторонний сервер — Bark, локальный запуск компенсирует более скромное качество.
  • Транскрибация созвонов с несколькими участниками — Otter.ai или Speechmatics, а не Whisper в чистом виде.
  • Любая транскрибация с именами, цифрами или терминами — обязательно сверяйте вручную именно эти фрагменты, не полагайтесь на общий процент точности.

Полные записи тестов с наложением дорожек «оригинал / распознанный текст» и таймкодами ошибок выложил в канале — можно услышать разницу самостоятельно, а не верить моему описанию на слух.

Что не поместилось в статью

За кадром остался тест на записях с акцентом и на смешанной русско-английской речи — отдельная и куда более сложная история, где результаты у всех сервисов заметно хуже заявленных. Этот разбор с примерами аудио выложу отдельно в Telegram.