---
title: "Что такое синтез речи (TTS)? Как работают API озвучки"
description: "Синтез речи превращает письменный текст в звучащую речь. Как работают API TTS, чем управляет SSML, какие форматы на выходе и почему у BroadNet есть ASR, но нет TTS."
url: https://broadrouter.com/ru/glossary/text-to-speech/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/text-to-speech/) (обновлён 2026-11-15).

# Синтез речи (text-to-speech, TTS)

Обновлено 2026-11-15

Синтез речи (text-to-speech, TTS) — это преобразование письменного текста в звучащую речь. API TTS принимает текст, голос и формат вывода, например MP3 или WAV, и возвращает сгенерированную речь. Это обратная задача по отношению к распознаванию речи, которое превращает аудио в текст.

Также называют: синтез речи, TTS, озвучка текста, озвучивание текста, текст в речь, генерация голоса, text to speech, text-to-speech, speech synthesis

Распознавание речи слушает. Синтез речи отвечает. Голосовым ассистентам нужно и то и другое.

## Как это работает

API TTS принимает три вещи: текст, голос и аудиоформат. Так выглядит пример на Python из руководства OpenAI:

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

Руководство описывает эндпоинт `/v1/audio/speech`, 13 встроенных голосов и форматы вывода MP3 (по умолчанию), Opus, AAC, FLAC, WAV и PCM, где PCM — сырые 24 кГц 16-битные отсчёты без заголовка. Поддерживается стриминг с chunked transfer encoding, так что воспроизведение может начаться до того, как файл готов, а для самых быстрых ответов рекомендуются WAV или PCM. Там же `tts-1`, `tts-1-hd` и `gpt-4o-mini-tts` помечены как устаревшие с отключением 6 января 2027 г. Прежде чем строить продукт на какой-то модели, проверьте актуальный список.

Многие движки также принимают SSML — XML-разметку W3C для синтеза. Корневой элемент `<speak>` объявляет `version="1.1"` и `xml:lang`. Среди других элементов — `<break>` для пауз, `<say-as>` для разметки дат и чисел, `<phoneme>` для точного произношения (например, в IPA) и `<lang>` для фразы на другом языке:

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## Почему это важно

-   **Голосовые продукты — это конвейеры.** Голосовой бот — это [распознавание речи](https://broadrouter.com/ru/glossary/speech-to-text/), затем чат-модель, затем TTS. Каждый шаг добавляет [задержку](https://broadrouter.com/ru/glossary/latency/) и стоимость, и каждый может быть у своего провайдера.
-   **Выбор формата.** Формат вывода определяет размер и поддержку воспроизведения. Например, WhatsApp воспроизводит голосовые сообщения в [Ogg Opus](https://broadrouter.com/ru/glossary/ogg-opus/).
-   **Раскрытие.** OpenAI требует сообщать конечным пользователям, что голос TTS сгенерирован ИИ.

## В BroadNet Inference

Синтеза речи у BroadNet нет. Её справочник API документирует только `POST /v1/chat/completions` и `POST /v1/audio/transcriptions`. Обратное направление есть: [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) и [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-transcribe/) превращают аудио WAV или MP3 в текст по цене $0.0042 и $0.002 за минуту. Голосовых функций в живом режиме или в реальном времени BroadNet тоже не предлагает.

Если ваш продукт должен говорить, объедините транскрибацию и чат BroadNet с отдельным провайдером TTS. Статья [текст, речь и зрение](https://broadrouter.com/ru/blog/text-speech-vision/) показывает, какие задачи закрывает BroadNet и где нужен другой сервис, а статья [об архитектуре чат-бота для WhatsApp](https://broadrouter.com/ru/blog/arabic-whatsapp-chatbot-architecture/) — голосовую часть конвейера.

## Частые ошибки

-   **Путать TTS и STT.** API распознавания речи не генерируют аудио. Смотрите на список эндпоинтов, а не только на слово «speech».
-   **Считать, что SSML работает везде.** Многие API принимают только простой текст или подмножество SSML.

## Вопросы и ответы

### Есть ли в BroadNet Inference синтез речи?

Нет. BroadNet документирует два эндпоинта: chat completions и транскрибацию аудио. /v1/audio/speech нет. Если ваше приложение должно говорить, подключите отдельного провайдера TTS.

### Что такое SSML?

Speech Synthesis Markup Language — рекомендация W3C (версия 1.1, 2010). Это XML, который управляет произношением, паузами, высотой тона, темпом и сменой языка в синтезированной речи. Поддержка зависит от провайдера TTS.

### Нужно ли сообщать пользователям, что голос сгенерирован ИИ?

Правила использования OpenAI в цитате из её руководства по TTS требуют ясно сообщать, что голос сгенерирован ИИ. Проверьте условия своего провайдера и местное законодательство.

## См. также

-   [Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/) (термин)
-   [Мультимодальный ИИ (multimodal AI)](https://broadrouter.com/ru/glossary/multimodal/) (термин)
-   [Ogg Opus](https://broadrouter.com/ru/glossary/ogg-opus/) (термин)
-   [WAV](https://broadrouter.com/ru/glossary/wav/) (термин)
-   [Стриминг (streaming)](https://broadrouter.com/ru/glossary/streaming/) (термин)
-   [Текст, речь или изображения? Начните с задачи](https://broadrouter.com/ru/blog/text-speech-vision/) (статья)
-   [Архитектура арабского чат-бота WhatsApp: от голосовых к ответам](https://broadrouter.com/ru/blog/arabic-whatsapp-chatbot-architecture/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-text-to-speech&utm_content=page-cta) ·

**Источники**

-   [Документация OpenAI API, руководство text to speech: /v1/audio/speech, голоса, форматы вывода, правило раскрытия (проверено 2026-11-15)](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C, Speech Synthesis Markup Language (SSML) Version 1.1, Recommendation (проверено 2026-11-15)](https://www.w3.org/TR/speech-synthesis11/)
-   [Справочник API BroadNet Inference: эндпоинты chat completions и транскрибации аудио (проверено 2026-11-15) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-text-to-speech&utm_content=sources)
