> ## Documentation Index > Fetch the complete documentation index at: https://docs.hubtalk.ai/llms.txt > Use this file to discover all available pages before exploring further. # Голос: STT, TTS и VAD > Распознавание, синтез, детектор речи и перебивания, фоновый звук, язык хода и нормализатор. # Голос: STT, TTS и VAD Настройки STT, TTS и VAD хранятся в сценарии и применяются к звонкам. Провайдеры выбираются из настроенных каталогов. Ключи провайдеров хранятся в конфигурации окружения, а self-hosted endpoint'ам ключ провайдера не нужен. ## STT STT (speech-to-text) преобразует речь абонента в текст для агента. * **«ASR-модель из справочника»** — модель распознавания выбирается ссылкой на запись справочника ASR-моделей; рядом показан её **«Провайдер»**. Модель, помеченную устаревшей, кабинет подписывает прямо в поле. * **`language` (пусто = язык флоу; kk → multi)** — язык распознавания. Пустое поле наследует язык агента, `kk` включает мультиязычный режим. * **`interim_results` — живой промежуточный транскрипт** — расшифровка приходит по ходу речи, а не одним куском в конце. У пакетных моделей промежуточных результатов нет: реплика распознаётся целиком, когда абонент договорил. * **`keywords` (через запятую, вес — «слово:1.5»)** — слова, которые распознаванию стоит слышать точнее; вес указывается через двоеточие. Секция STT: ASR-модель из справочника, язык распознавания и keywords ## TTS TTS (text-to-speech) преобразует текстовые ответы агента в аудио. * **«Голос из справочника»** — голос выбирается ссылкой на запись справочника голосов; рядом показан его **«Провайдер»**. * **`voice_id` (пусто = голос по умолчанию)** — идентификатор голоса у провайдера, если нужно переопределить запись справочника. * **`model_id` (низкая задержка, мультиязычность ru/kk)** — модель синтеза. * **`speed` (пусто — дефолт)** — скорость речи. * **`language` (ISO 639-1; пусто = язык флоу)** — язык синтеза. * **`output_format` (пусто — дефолт плагина)** — аудиоформат. * **`optimize_streaming_latency` (0–4, пусто = выкл)** — оптимизация потоковой отдачи. * **«Провайдер-специфичные параметры (JSON)»** — всё остальное, что умеет конкретный провайдер: `stability` и `similarity` у ElevenLabs, `emotion` у Cartesia, `instructions` у OpenAI. * **«Аварийный резервный TTS»** → **«Включить запасного провайдера»** — срабатывает только при сбое или лимите основного синтеза. Смена провайдера меняет звучание, поэтому переключение помечается в звонке. * **«Кэш TTS-аудио»** — повторяющиеся фразы отдаются из кэша без обращения к провайдеру. Под ним раскрываются **«Кэш TTS — расширенные настройки»**: **«TTL записей, сек»** и **«Сбрасывать кэш при публикации»**. Секция TTS: голос из справочника, voice_id, model_id и параметры провайдера ## VAD и перебивания VAD (voice activity detection) определяет начало и конец речи, а настройки перебивания управляют тем, может ли абонент оборвать агента. Параметры читаются при старте звонка, пересобирать ничего не нужно. * **`prefix_padding_duration`, сек — предбуфер аудио** — сколько звука сохраняется перед обнаруженной речью. * **`sample_rate` (8000/16000)** — частота дискретизации. * **`max_buffered_speech`, сек** — потолок буферизуемой речи. * **`allow_interruptions` — разрешить перебивать агента**. * **«Фильтр по громкости (шум не считается речью)»** — вторая проверка: тихий кадр не начнёт запись реплики, даже если модель сочла его речью. Пока фильтр выключен, пороги громкости в карточках ниже не применяются. * **`min_interruption_duration`, сек — мин. речь для перебивания**. * **`min_interruption_words` — мин. распознанных слов для перебивания (0 — гейта нет)** — сколько слов должен произнести абонент, прежде чем агент замолчит. Значение по умолчанию — **2**. * **`min_duration_all_branches` — порог длительности действует на все перебивания, не только посреди речи**. * **`min_endpointing_delay`, сек** и **`max_endpointing_delay`, сек** — задержка перед фиксацией конца реплики. Ниже раскрывается **«Настройки VAD во время звонка»** — те же пороги, но по состояниям агента: карточка **«Когда агент говорит или думает»** и карточка **«Остальные состояния»**. В каждой — `activation_threshold`, `deactivation_threshold`, `min_speech_duration`, `min_silence_duration`, `activation_volume` и `deactivation_volume`. Пустое поле в первой карточке означает «как в остальных состояниях»; набор самих правил задан кодом, меняются только числа. Секция «VAD и перебивания»: пороги перебивания и раскрытые настройки VAD по состояниям агента **У словесного гейта есть цена, и её стоит знать до настройки.** При значении по умолчанию 2 одно- и двухсловные реплики агента не перебивают — в том числе «стоп» и «нет». Эти слова не теряются: короткая реплика ниже порога сохраняется и склеивается со следующей фразой абонента, то есть агент реагирует на такт позже, а не посреди фразы. Поставьте `0`, если сценарию нужно обрывать агента одним словом, — и учитывайте, что так же его оборвут кашель, «угу» и «ага». Если распознавание не отдаёт промежуточные результаты потоком, число слов можно проверить только на первой паузе абонента — на такой связке гейт срабатывает позже, чем при потоковом распознавании. Рядом в голосовом блоке лежат ещё два раздела: **«Определение конца реплики»** — выбор режима (авто, только пауза VAD, аудио-детектор или STT-провайдер) — и **«Активное слушание»** с частотой срабатывания и списком слов-поддакиваний. ## Фоновый звук Фоновая запись — например, офисный шум — подмешивается в голос агента и делает разговор естественнее. Она проигрывается бесшовным лупом на всю длительность звонка и на распознавание не влияет: фон никогда не анализируется как речь, поэтому ни определение речи абонента, ни транскрипт от него не меняются. * **«Включить фоновый звук»**. * **«Аудио-ассет (библиотека фонов)»** — выбор записи из библиотеки; **«Загрузить аудио… (wav/mp3/ogg/opus)»** добавляет новую. Если выбранный ассет удалён из библиотеки, кабинет так и пишет — фон не включится. * **«Громкость фона»** — уровень подмешивания относительно голоса агента. Секция «Фоновый звук»: включение, аудио-ассет из библиотеки и громкость фона Если выбранный ассет не удаётся загрузить, звонок продолжается как обычно, без фонового звука. ## Язык реплики клиента Определяет язык каждой реплики и передаёт его в синтез и аналитику. Нужен двуязычным и многоязычным агентам. * **«Определять язык реплики клиента»** — по умолчанию выключено. * **«Источник»** — откуда берётся язык: * **«LLM (переменная `dynamic_language` — без лишних вызовов)»** — язык приходит из динамической переменной самого сценария. Рекомендуемый вариант: дополнительных обращений не делает. * **«Сервис-классификатор (URL)»** — язык определяет внешний сервис на каждой реплике; адрес указывается тут же. * **«Языки-кандидаты (через запятую)»** — из чего детектору разрешено выбирать. Секция «Язык реплики клиента»: источник определения и языки-кандидаты Определённый язык используется для синтеза речи (чтобы голос звучал на нужном языке) и фиксируется в звонке как событие `turn_language` для последующего анализа. ## Пре-TTS нормализатор Приводит адреса электронной почты, аббревиатуры, числа и латиницу к произносимой форме перед синтезом. * **«Включить нормализатор»**. * **«Таймаут, с»** — сколько ждать ответа сервиса нормализации. * **«Языки (через запятую; пусто — любые)»** — ограничение по языкам. Секция «Пре-TTS нормализатор»: включение, таймаут и ограничение по языкам Если нормализатор не успевает ответить вовремя, на синтез уходит исходный текст без изменений — звонок при этом не прерывается.