Ворклог по задаче "Добавить браузерную озвучку букв, слогов и отдельных слов"

Прогресс: ограничения и странности браузерного SpeechSynthesis

Проверена встроенная браузерная озвучка на отдельных словах, слогах и буквах. Для целых слов API в ряде случаев работает приемлемо, но на коротких слогах и отдельных буквах проявляются заметные и непредсказуемые ошибки интерпретации текста.

Что звучит нормально

• Собака — произносится нормально.
• Ры — произносится нормально.
• Свинья — произносится нормально.
• Пель — неожиданно произносится нормально.

Наблюдаемые сбои

• Со — звучит примерно как просто С.
• Р — звучит скорее как Э.
• Ре — тоже звучит примерно как Э.
• Свинь — вместо слога начинает читать как названия букв: примерно Эс Вэ Ен Мягкий знак. При этом И и Н отдельно не проговариваются ожидаемо, а часть последовательности интерпретируется как Ен.
• Ковь — тоже разваливается на чтение по буквам.
• Солн — также читается по буквам/не как слог.
• Ко — звучит как Ка.
• Ар — звучит как А.
• Де — звучит как Дэ.

Основной вывод

SpeechSynthesisUtterance хорошо подходит для обычных слов и фраз, но не гарантирует корректное произношение искусственно выделенных слогов и отдельных букв.

TTS-движок пытается интерпретировать короткую строку как естественный текст, название буквы, аббревиатуру или неизвестную лексему. Поэтому одинаковая последовательность символов может озвучиваться по-разному в зависимости от длины и контекста.

Особенно проблемны:

• одиночные согласные;
• короткие слоги из 2 букв;
• слоги с ь;
• обрезанные части слова, которые не являются самостоятельными лексемами;
• сочетания, похожие на буквенные сокращения.

Практическое следствие

Нельзя считать браузерный TTS универсальным источником правильного произношения для учебной механики буква → слог → слово.

Для целых слов его можно использовать напрямую, но для букв и слогов потребуется один из вариантов:

1. ручные исключения / словарь альтернативных строк для конкретного TTS;
2. предварительно записанные аудиофайлы;
3. отдельный TTS/SSML-движок с более управляемым произношением;
4. гибрид: слова через браузерный TTS, проблемные буквы/слоги — через подготовленное аудио.

Важно

Эти наблюдения относятся к фактическому поведению текущего браузерного/системного голоса. На другой ОС, браузере или другом SpeechSynthesisVoice результат может отличаться, поэтому подобные исключения нельзя считать универсальными для всех устройств.