Синтез речи в Staqflow: аудио из текста внутри workflow

Статус заказа, ответ поддержки и рабочую сводку можно передать голосом, когда получателю удобнее слушать, чем читать. Новый узел «Синтез речи» в Staqflow преобразует текст процесса в аудиофайл. Следующий шаг отправляет его в мессенджер, прикладывает к письму или сохраняет в хранилище.

Озвучка использует данные рабочего процесса

В поле текста доступны выражения: можно подставить имя клиента, номер заказа, ответ языковой модели или сформированную сводку. Готовое аудио возвращается в бинарном поле элемента, поэтому отдельная ручная загрузка файла не нужна.

Различия API обрабатывает узел. Провайдер, голос, формат и доступные параметры выбираются в одной панели. Подключение может использоваться совместно с распознаванием речи; если сервис поддерживает оба режима, повторно вводить ключ не требуется.

Девять провайдеров покрывают разные требования

Доступны OpenAI, Gemini, Qwen, Groq, Mistral, ElevenLabs, Deepgram, Yandex SpeechKit и собственный OpenAI-совместимый сервер. Списки моделей и голосов загружаются из каталога или аккаунта, где API это позволяет; название можно указать вручную.

• OpenAI: выбор голосов и описание манеры речи для поддерживаемых моделей; текст — до 4096 символов.
• Gemini: 30 встроенных голосов, результат в WAV.
• Qwen: управление манерой речи у моделей с instruct в названии.
• Groq: быстрые модели озвучки.
• Mistral: голоса, доступные в аккаунте.
• ElevenLabs: собственные и клонированные голоса, настройки стабильности и похожести.
• Deepgram: голос одновременно является моделью, текст — до 2000 символов.
• Yandex SpeechKit: русские голоса и роли — например, нейтрально, строго или шёпотом.
• Собственный сервер: локальная озвучка в инфраструктуре компании.

SaluteSpeech в этом узле синтеза не поддерживается; его интеграция используется для распознавания речи. Наличие провайдера не означает, что каждая его модель принимает все параметры.

Голос и формат выбирают под канал доставки

1. Создайте подключение в пространстве и добавьте узел «Синтез речи».
2. Выберите провайдера, модель и голос.
3. Передайте текст, при необходимости с выражениями для данных процесса.
4. Выберите поддерживаемый формат: MP3, Opus, WAV, FLAC или AAC.
5. Добавьте шаг отправки файла в Telegram, почту или хранилище.

MP3 удобен для веба и мессенджеров, WAV сохраняет звук без сжатия. Gemini всегда возвращает WAV. Файл по умолчанию находится в поле data, имя можно изменить.

Для поддерживаемых сервисов доступны скорость 0,25–4, описание манеры речи, роли SpeechKit и параметры ElevenLabs. Не каждый голос SpeechKit поддерживает все роли. Таймаут по умолчанию — пять минут; длинную озвучку нужно учитывать при его выборе. Ограничения текста проверяются до отправки оплачиваемого запроса.

Результат содержит файл и данные для контроля

Рядом с аудио возвращаются provider, model, voice, fileName, mimeType, bytes и число озвученных символов characters. В ignored перечисляются параметры, которые сервис не принял. Это позволяет проверить фактический результат при смене провайдера.

В истории запуска можно увидеть отказ сервиса, пустой файл или случай, когда модель вернула текст вместо аудио. Эти ошибки нужно обрабатывать в workflow перед доставкой сообщения получателю.

Сценарии для клиентов и сотрудников

• Уведомления: изменение статуса заказа → текст с данными клиента → озвучка → голосовое сообщение в боте.
• Поддержка: языковая модель готовит ответ, затем клиент получает текст и аудио.
• Рабочие сводки: процесс по расписанию собирает задачи или показатели и отправляет озвученный отчёт.
• Контент: статья из CMS → MP3 → хранилище и аудиоверсия публикации.
• Напоминания и инструкции: шаблон дополняется данными конкретного адресата без отдельной ручной записи.

Провайдера оценивают по голосу, данным и стоимости

Для русскоязычной озвучки в российском облаке доступен Yandex SpeechKit. Для управления интонацией можно использовать ElevenLabs, для локального размещения — собственный сервер. Если уже используется OpenAI или Gemini, озвучку можно настроить на существующем подключении.

Стоимость API определяется правилами сервиса, в том числе числом символов. Ресурсы workflow Staqflow учитываются отдельно. Перед массовой отправкой следует проверить голос, формат и произношение терминов на примерах своих сообщений.

Частые вопросы

Можно ли заменить сервис без пересборки workflow?

Да, смените провайдера, модель и подключение в узле. Затем проверьте поддерживаемые параметры и формат результата.

Почему выбранная роль речи не работает?

Поддержка зависит от провайдера и конкретного голоса. Например, не каждый голос SpeechKit умеет все роли.

Связанные материалы

• Распознавание речи в Staqflow: из записи в заявку и CRM
• Генерация видео в Staqflow: ролики в процессе автоматизации
• STAQ.WorkflowAI: визуальный конструктор и ИИ для процессов

Подробнее о возможностях автоматизации — на сайте Staqflow.