Журнал

Первичное исследование озвучки вьетнамского

Проверен вариант использования browser speechSynthesis для озвучки курса. По результатам исследования использовать его как базовый механизм нельзя.

Что обнаружено

• Вьетнамский голос не удаётся надёжно установить в браузер.
• Доступный через Reading Mode путь крайне неудобен для обычного пользователя: открыть режим чтения → перейти в настройки → открыть языки → добавить вьетнамский.
• После включения вьетнамского появляется Downloading voices ..., но загрузка может зависать бесконечно и фактически не завершаться.
• Официальная документация не даёт понятной гарантии наличия и поддержки конкретного вьетнамского голоса.
• В Chromium язык может быть заявлен в исходниках, но сам Chromium не поставляет конечные голосовые словари. Это зона ответственности конкретного браузерного/облачного поставщика, в нашем случае Google, и прозрачной гарантии наличия такого словаря нет.
• Даже если установка сработает у разработчика, нельзя строить курс на требовании к пользователю самостоятельно ставить дополнительные голоса/словари.

Дополнительный риск

Разработчик не является носителем вьетнамского языка и не может самостоятельно гарантировать, что синтез корректно передаёт качество звуков и тонов. Поэтому финальное качество необходимо проверять с носителем языка.

Принятое решение

Перейти на собственный контролируемый пайплайн озвучки через OpenRouter + Google Gemini.

Озвучку не генерировать при каждом воспроизведении. Нужно завести постоянный словарь аудио: однажды сгенерировать букву/слог/слово/фразу, сохранить метаданные в БД и сам аудиофайл в файловом хранилище, после чего многократно переиспользовать готовую запись.

Также предусмотреть:

• перегенерацию конкретной озвучки;
• хранение версии модели и параметров генерации;
• статусы проверки качества;
• последующую проверку носителем языка;
• при необходимости отдельные северные/южные варианты;
• возможность вручную заменить синтетическую запись эталонной записью носителя.

Связанная задача

Создана дочерняя задача на проектирование и реализацию собственного TTS-пайплайна и словаря озвучек: «Разработать собственный пайплайн озвучки вьетнамского языка и словарь аудио», taskId cmu8uqhzc0we6qw0qlviqsm7q.

Первый целевой набор для генерации — букварь: базовые звуки, сочетания, тоны, дифтонги/трифтонги и примеры слов. После проверки качества тем же механизмом расширять озвучку на основной словарь курса.