Что за день добавили в эфир «Канала 15»
«Канал 15» - программа-компаньон для Euro Truck Simulator 2, в которой восемнадцать выдуманных дальнобойщиков ведут радиоэфир у игрока, отвечают на его речь и помнят его между рейсами. Файлы игры не меняются: телеметрия читается из общей памяти, голоса синтезируются заранее. За один рабочий день в эфир добавили три механики: игровые новости дня в озвучке персонажа-бухгалтерии, приветствия зрителей стримера и голосовые благодарности за донаты. Через пайплайн за день прошло 23 реплики, и все три механики ушли в эфир одним рабочим днём: подробный разбор пайплайна от автора проекта.
Архитектуру задают два ограничения. Первое: runtime-TTS нет. Эфир должен работать офлайн, без интернета, а задержка описывается формулировкой «следующая реплика из колоды». Второе: любой текст проходит одобрение и прослушивание человеком до озвучки. Это жёсткое правило проекта: пул реплик генерируют ИИ-помощники, но в эфир попадает только одобренное и прослушанное.
Дальше - путь одной реплики, состав трёх механик, схема флагов вместо веток git и два локальных контура QA: словарь ударений со сверкой через ruaccent до синтеза и распознавание готового трека через GigaAM v3 с порогом совпадения 0.8.
Почему голоса синтезируются заранее, а не в момент реплики
Синтез на лету в игровом эфире добавляет четыре проблемы. Нужен интернет и стабильный канал до сервиса TTS. Каждая фраза получает задержку на генерацию. Качество зависит от загрузки сервиса и проверяется только после того, как фраза уже звучит в наушниках. Главное: реплику нельзя прослушать до эфира, а это прямо нарушает правило проекта.
Предсинтез закрывает все четыре пункта сразу:
- задержка в момент реплики нулевая - трек уже лежит в колоде;
- эфир работает офлайн, без сети;
- каждый трек проходит QA и человеческое прослушивание до попадания в эфир;
- готовые реплики переиспользуются: одну и ту же фразу можно ставить много раз.
Цена тоже конкретна. Пул ограничен тем, что успели заготовить, поэтому импровизации в эфире нет: рация выбирает из готового набора. Новая механика означает прогон через пайплайн, а не функцию, которая заработает сама по себе. Синтез в ElevenLabs стоит «копейки за реплику», так что узкое место - не бюджет, а время человека на правку и прослушивание.
Есть и другой путь: локальный пайплайн, где распознавание и синтез работают на машине, а частые реплики кэшируются. Так собрана инсталляция MonsterHouse на моделях NVIDIA Nemotron: язык и речь на одной GPU, графика на второй, а кэш частых ответов сокращает медиану задержки с 1,70 с до 0,72 с. Для офлайн-рации с сотнями повторяющихся фраз предсинтез проще: GPU в момент игры не нужна вовсе.
Пайплайн одной реплики: от брифа до колоды эфира
Цепочка короткая, но с двумя человеческими проверками. Черновик генерирует ИИ-помощник по брифу, написанному человеком. Дальше тот же человек правит или отбраковывает текст. Одобренная реплика уходит в синтез ElevenLabs, готовый трек проходит QA и записывается в колоду эфира, а механика включается пилотным флагом в конфиге.
| Этап | Что происходит | Кто отвечает |
|---|---|---|
| Бриф | человек описывает персонажа, повод и тон | человек |
| Черновик | ИИ-помощник предлагает формулировки | ИИ-помощник |
| Правка | одобрение, правка или отбраковка текста | человек |
| Синтез | озвучка реплики в ElevenLabs | автоматика |
| QA | сверка ударений через ruaccent, затем распознавание GigaAM v3 | скрипты, спорные случаи уходят человеку |
| Колода | трек записывается в набор готовых реплик | автоматика |
| Эфир | механика включается флагом в конфиге | человек |
Роль ИИ-помощника: черновик, а не готовый текст
Бриф задаёт персонажа, повод и тон, модель предлагает формулировки. Решение, какая механика появится в эфире, остаётся за автором: ИИ не придумывает фичу сам и не выбирает, что попадёт в релиз. На шаге правки человек проверяет три вещи: факты (новость дня не должна разъезжаться с реальностью), уместность (шутка про штраф не сломает тон эфира) и соответствие персонажу (бухгалтерия говорит как бухгалтерия).
Смысл такого разделения в экономии первого черновика. Модель снимает необходимость писать с нуля, редактура и ответственность остаются за человеком. Если черновик не проходит проверку, его отбрасывают целиком, а не правят до бесконечности.
Синтез в ElevenLabs и запись в колоду
Одобренный текст уходит в ElevenLabs. Готовый трек проходит QA и записывается в колоду эфира, то есть в набор заранее подготовленных реплик, из которого рация берёт следующую. Колода и есть механизм нулевой задержки: в момент реплики ничего не генерируется, файл просто проигрывается.
Объём ручной работы виден по цифре дня: 23 реплики на три механики. Немного, если считать только синтез, и ощутимо, если учитывать правку, прослушивание и разбор спорных случаев. Синтез обходится в «копейки за реплику», поэтому бюджет не ограничивает, ограничивает внимание человека.
Альтернатив для озвучки хватает. Gemini 3.8 Flash TTS и Flash-Lite TTS заявляют создание новых голосов по текстовому описанию и массовую озвучку соответственно. Для проекта с фиксированным составом из восемнадцати персонажей важнее стабильность одного голоса от реплики к реплике, чем диапазон доступных тембров.
Три механики за день: что именно добавили
Все три механики построены на предсинтезированных репликах. Различаются триггер и источник данных, а не способ производства звука.
Новости дня в озвучке персонажа-бухгалтерии
Сводку читает «бухгалтерия»: персонаж уже был в проекте и до этого слал игроку голосовые сообщения за любой «штраф». Голос под роль подошёл, поэтому нового персонажа не вводили. Комментарии к новости раздают сами водители, то есть механика использует существующий состав из восемнадцати дальнобойщиков.
Распределение ролей объясняет, зачем новостям отдельный голос. Сводку читает тот, кого игрок уже привык слышать в неприятный момент, а реакцию дают те, с кем он едет. Источник самих новостей в опубликованном разборе не описан, эту часть придётся проектировать отдельно.
Приветствия зрителей стримера
Механика реагирует на конкретных людей в чате заранее подготовленными приветствиями. Текст проходит то же человеческое одобрение, что и остальные реплики: имена и обращения проверяются до синтеза, чтобы эфир не поздравил человека с ником, который синтезатор прочитает вслух не так, как надо.
Как именно подставляются имена и сколько приветствий заготовлено, в разборе не раскрыто. Рабочий вывод общий: чем меньше в реплике переменных частей, тем проще её предсинтезировать и проверить перед эфиром.
Голосовые благодарности за донаты
Донаты ловит отдельный детектор: скрипт опрашивает DonationAlerts либо аналог и по событию доната запускает заранее одобренную и озвученную благодарность. В момент доната ничего не синтезируется, трек уже лежит в колоде. Размеры донатов, пороги и тексты благодарностей в разборе не приводятся.
Флаги в конфиге вместо веток: как не сломать стабильный эфир
Релизная версия рации используется на стримах, поэтому новые механики не должны ломать стабильную сборку. Все три механики, новости, приветствия и благодарности, включены отдельными флагами в конфиге рации. По умолчанию они выключены и включаются на стрим по отдельности. Пилотный код живёт в той же кодовой базе, что и стабильный эфир, а откат делается сменой поля конфигурации, не откатом коммитов (как это описано у автора).
Что это даёт на практике: быстрый откат без пересборки, несколько механик в разном состоянии одновременно и отсутствие долгоживущих веток, которые расходятся с основной линией. Минус тоже есть: код под выключенным флагом не выполняется в обычном прогоне, поэтому ошибки в нём не всплывают.
Правило стенда: каждый флаг обязан проходить с включённым состоянием
В проекте действует правило: каждый пилотный флаг обязан проходить стенд с включённым состоянием. Иначе незаметно получается мёртвая ветка кода: механика «есть», тесты зелёные, а при включении на стриме она падает. Тестовый прогон должен покрывать оба состояния флага. Проверить результат можно только одним способом: запустить стенд с флагом в true и убедиться, что механика действительно срабатывает, а не просто не ломает эфир.
QA до синтеза: словарь ударений и ruaccent
Русский синтез ломается на ударениях предсказуемо: «замок» и «замок» пишутся одинаково. В проекте для этого живёт словарь ударений на 101 слово, который пополняется по инцидентам. Скрипт прогоняет текст реплики через ruaccent и сверяет результат со словарём. Расхождение - стоп, реплика уходит на правку до того, как её озвучили.
В синтез текст уходит с принудительной подменой: ударная гласная удваивается, как в «гуднии». Приём грубый, зато синтезатор ставит ударение туда, куда нужно, и не приходится надеяться на его догадку.
Почему словарь, а не доверие модели
Кандидатов в словарь предлагает GigaChat, доступный в бесплатных пакетах Сбера. Источник истины - словарь: модель выступает советчиком, её разметку подтверждает человек. Причина в воспроизводимости. Одна и та же модель может разметить слово по-разному в разные дни, а словарь не меняется от запуска к запуску и хранит уже принятые решения.
Пополнение идёт по инцидентам: слово прозвучало в эфире неверно, его добавили, и следующий прогон поймает такое чтение. Размер словаря остаётся небольшим, 101 слово, потому что в него попадают только реальные ошибки, а не весь русский язык.
QA после синтеза: GigaAM v3 и порог совпадения
Второй контур работает на готовом аудио. Трек слушает распознаватель GigaAM v3, открытая ASR-модель Сбера: она крутится локально, бесплатно и без сети. Распознанный текст сверяется с эталоном при пороге совпадения 0.8. Потерянное слово, обрезанная фраза или неверно прочитанный фрагмент вылезают сразу, а подозрительные случаи уходят на ручное прослушивание.
Проверка ловит расхождения между тем, что написали, и тем, что реально звучит. Артефакты синтеза, съеденные окончания, пропавшие предлоги видны в тексте распознавания. Границы тоже понятны: ASR проверяет текст, а не интонацию, не уместность и не качество подачи. Смысл и звучание всё равно подтверждает человек на прослушивании.
Похожие задачи решают облачные сборки распознавания с диаризацией и таймкодами, например WhisperX на Amazon SageMaker AI. Для QA озвучки достаточно локальной модели: гонять аудио в облако ради сверки текста незачем, а зависимость от сети противоречит идее офлайн-эфира.
Два контура вместе: до и после синтеза
Контуры не дублируют друг друга. Первый работает на тексте до синтеза и отвечает за ударения и произношение. Второй работает на готовом треке и проверяет, что текст не потерялся и не исказился при озвучке. Человек остаётся на одобрении текста и на прослушивании: автоматика не отменяет правило проекта, она сокращает число бракованных реплик, которые доходят до ушей.
Детектор донатов и стрим-метрики: интеграции и их ограничения
Схема с донатами остаётся самой простой из трёх: внешний сервис отдаёт событие, скрипт запускает готовый трек. Логика, которую стоит держать в голове при повторении: между событием и звуком нет синтеза, поэтому задержка определяется только опросом сервиса и воспроизведением.
Метрики стрима перехватываются через YouTube Data API v3 с OAuth-токеном. Детали перехвата в опубликованном разборе не раскрыты: не описано, какие именно поля забираются и с какой частотой опрашивается API. Эту часть придётся проектировать самостоятельно, а квоты и лимиты сверять по документации платформы.
Проблема семидневного refresh-токена в статусе Testing
Пока OAuth-приложение находится в статусе «Testing», refresh-токен действует семь дней. Для стрим-инструмента это означает регулярную переавторизацию: через неделю перехват метрик отвалится, если доступ не подтвердить заново. Это ограничение режима приложения, а не баг проекта, и его нужно закладывать в планирование стримов.
Практический вывод: авторизацию проверяют перед эфиром тем же способом, каким проверяют флаг механики, то есть явным прогоном, а не надеждой на прошлый успешный запуск. Как именно проект обходит ограничение, в разборе не сказано, а придумывать процедуру верификации приложения не стоит.
Что из этого подхода стоит перенести в свой проект
Предсинтез оправдан, когда эфир должен работать офлайн и предсказуемое качество важнее импровизации. Для игрового компаньона это естественный выбор: колода даёт нулевую задержку и полный контроль над тем, что услышит игрок. Для проекта со свободным диалогом подход не подойдёт по определению: пул реплик ограничен, и всё, чего нет в колоде, не прозвучит.
Флаги в конфиге дешевле веток git для пилотных механик, но требуют дисциплины: стенд с включённым состоянием обязателен, иначе мёртвая ветка кода дождётся стрима. Два контура QA стоит разделять по классам ошибок: проверка текста до синтеза и проверка готового трека распознаванием. Один универсальный чек не закроет оба.
Границы подхода стоит назвать прямо. Человеческое прослушивание не масштабируется линейно: 23 реплики за день на три механики дают ориентир объёма ручной работы, и при десяти механиках арифметика меняется. Пул реплик ограничен, интеграции с внешними API требуют обслуживания токенов, а локальные QA-модели нужно обновлять и проверять на своих данных. Барьеры остаются не только в синтезе: ошибки ASR на ключевых словах и эмоциональный TTS до сих пор определяют, где голосовой агент работает, а где пока рано.
С чего начать, если хочется повторить: собрать словарь для своих десяти-двадцати проблемных слов, добавить сверку текста до синтеза, поставить распознавание готового трека с порогом, который отсекает явный брак, и вынести каждую новую механику за флаг с обязательным прогоном включённого состояния. Такой набор проверяется на десяти репликах и не требует ни GPU, ни собственной инфраструктуры.