Teksto įgarsinimas (TTS)

Teksto įgarsinimas (angl. text to speech, TTS) – technologija, kuri iš rašytinio teksto sukuria garso įrašą su žmogaus balsu. Jį naudoja ekrano skaitytuvai, navigacija, telefoninės linijos, balso asistentai ir svetainės, kurios siūlo straipsnį „paklausyti“. Per pastaruosius kelerius metus TTS iš monotoniško robotinio balso tapo beveik nepastebimai sintetine kalba, todėl verslui tai jau ne tik prieinamumo, bet ir turinio, aptarnavimo bei rinkodaros įrankis.

Kaip veikia neuroninis text to speech

Klasikinė kalbos sintezė dirbo dviem būdais: jungė iš anksto įrašytų garsų fragmentus (konkatenacinė sintezė) arba generavo garsą pagal akustines taisykles (parametrinė sintezė). Abu būdai skambėjo dirbtinai, ypač kirčiuojant ir intonuojant. Neuroninė TTS dirba kitaip:

1. Teksto normalizavimas. Skaičiai, datos, santrumpos ir simboliai paverčiami žodžiais: „2026-10-13“ tampa „du tūkstančiai dvidešimt šeštųjų spalio tryliktoji“, „15 €“ – „penkiolika eurų“. Lietuvių kalbai tai sudėtinga dėl linksnių: tas pats skaičius skirtingame sakinyje tariamas skirtingai.
2. Tarimo ir prozodijos nustatymas. Modelis nusprendžia, kur kirtis, kur pauzė, kur klausiamoji intonacija. Lietuvių kalboje kirtis kilnojamas ir skiria reikšmes („pìlis“ ir „pilìs“), todėl čia klysta dažniausiai.
3. Akustinis modelis. Neuroninis tinklas (dažniausiai transformerio architektūros, panašios į didžiųjų kalbos modelių) iš teksto sukuria garso reprezentaciją – spektrogramą arba garso žetonus.
4. Vokoderis. Antras tinklas reprezentaciją paverčia girdimu garsu (MP3, WAV, OGG, PCM).

Naujausi modeliai (OpenAI gpt-4o-mini-tts, Google Gemini TTS, ElevenLabs v3 ir v4) tekstą ir garsą apdoroja kaip žetonus, panašiai kaip generatyvinis DI kuria tekstą. Todėl jiems galima duoti instrukcijas natūralia kalba („skaityk ramiai, kaip naujienų diktorius“) arba garso žymes emocijoms. Kaina tokiems modeliams kartais skaičiuojama ne simboliais, o žetonais.

Text to speech lietuvių kalba: kas palaiko 2026 m.

Lietuvių kalba – maža kalba, todėl ją palaiko ne visi tiekėjai, o ir palaikantys siūlo nevienodai balsų. Toliau – tik oficialioje dokumentacijoje 2026-10-13 patikrinti duomenys.

Kainos – oficialūs kainoraščiai 2026-10-13, be PVM, kursas ECB 2026-10-12: 1 EUR = 1,1181 USD. ElevenLabs v4 ir v4 Turbo iki 2026-10-12 taikė 72 % nuolaidą, lentelėje – įprasta kaina. OpenAI nurodo, kad jo balsai optimizuoti anglų kalbai, todėl lietuviškas tarimas gali būti su akcentu. Atkreipkite dėmesį: ElevenLabs populiarus Multilingual v2 modelis (29 kalbos) ir greitasis Flash v2.5 (32 kalbos) lietuvių kalbos nepalaiko – lietuviškam tekstui reikia rinktis v3 arba v4.

Kaip išsirinkti TTS tiekėją lietuviškam tekstui

• Balsų įvairovė. Jei reikia kelių skirtingų personažų ar vyriško ir moteriško balso pasirinkimo – Google Chirp 3 HD (30 balsų) arba ElevenLabs. Azure turi du balsus, Google Standard – vieną.
• Kaina dideliais kiekiais. Pigiausia Google Standard (3,58 € už 1 mln. simbolių), bet ir skamba paprasčiausiai. Kainos ir kokybės santykiu verslui dažnai tinka Azure Neural arba Google Chirp 3 HD.
• Išraiškingumas. Reklamai, garso knygoms ir socialinių tinklų vaizdo įrašams labiau tinka ElevenLabs v4 – jis valdo emocijas garso žymėmis, bet kainuoja 2,5–5 kartus daugiau.
• Delsa realiuoju laiku. Balso DI agentams ir telefonijai svarbu, kiek greitai pasigirsta pirmas garsas. ElevenLabs v4 Turbo deklaruoja apie 100 ms, Flash – apie 75 ms (bet be lietuvių kalbos).
• Duomenų tvarkymas. Patikrinkite, kuriame regione apdorojamas tekstas, ar tiekėjas jį saugo ir ar pasirašo duomenų tvarkymo sutartį pagal BDAR.
• Tarimo valdymas. Google ir Azure palaiko SSML žymėjimą (pauzės, tarimas, greitis), todėl kirčius ir santrumpas galima pataisyti rankiniu būdu. Tai svarbu lietuvių kalbai.

Kam verslui reikalingas teksto skaitymas balsu

• Straipsnių ir tinklaraščio įgarsinimas. Mygtukas „klausyti“ prie straipsnio padeda skaitytojams telefone, vairuojant ar sportuojant. Įgarsinama vieną kartą, failas laikomas CDN, todėl kaina neauga su klausytojų skaičiumi.
• Prieinamumas. Europos prieinamumo aktas (Direktyva (ES) 2019/882) Lietuvoje perkeltas Gaminių ir paslaugų prieinamumo reikalavimų įstatymu ir taikomas nuo 2025-06-28, įskaitant el. prekybos paslaugas. Įstatymas nereikalauja įgarsinti teksto, bet reikalauja, kad svetainė veiktų su ekrano skaitytuvais – o tai dažnai TTS naudojanti pagalbinė technologija.
• Telefoninės linijos (IVR) ir balso robotai. Vietoj įrašinėjimo studijoje meniu pranešimai generuojami iš teksto ir keičiami per kelias minutes, kai pasikeičia darbo laikas ar kainos.
• Vaizdo įrašai ir reklama. Produktų vaizdo įrašų ar mokymų įgarsinimas kartu su DI vaizdo įrašų generavimu leidžia paruošti kelias kalbines versijas be diktoriaus.
• Pranešimai programėlėse ir įrenginiuose. Užsakymo būsena, priminimai, navigacija sandėlyje.

Kaip įdiegti TTS svetainėje: žingsniai

1. Pasirinkite turinį. Ne viskas verta įgarsinimo: prioritetas – ilgi straipsniai, gidai, instrukcijos. Produktų kortelėms paprastai užtenka ekrano skaitytuvo.
2. Paruoškite tekstą. Pašalinkite navigaciją, lenteles ir nuorodų tekstus, išskleiskite santrumpas („pvz.“ – „pavyzdžiui“), patikrinkite skaičius ir datas.
3. Sukurkite tarimo žodyną. Prekių ženklai, užsienio pavadinimai ir terminai, kuriuos modelis taria klaidingai, aprašomi SSML ar tiekėjo žodyne.
4. Generuokite per API publikavimo metu. Turinio valdymo sistema, išsaugant straipsnį, siunčia tekstą į TTS API, gauna MP3 ir išsaugo jį kartu su straipsniu. Pakeitus tekstą – garsas perkuriamas.
5. Įdėkite grotuvą. Paprastas HTML5 audio elementas su aiškiu užrašu, kad balsas sintetinis.
6. Stebėkite. Kiek kartų paspaustas „klausyti“, kiek vidutiniškai klausomasi, kiek kainavo generavimas per mėnesį.

Kiti DI API kainų palyginimai – DI kainų įrankyje.

Balso klonavimas: kada galima ir ko reikia

Daugelis tiekėjų leidžia sukurti balsą pagal įrašą: ElevenLabs momentinį klonavimą siūlo nuo Starter plano, profesionalų – nuo Creator; Google turi momentinio individualaus balso (angl. Instant custom voice) paslaugą už 60 USD (≈ 53,66 €) už 1 mln. simbolių, Azure – profesionalų individualų balsą už 24 USD (≈ 21,46 €) už 1 mln. simbolių. Balsas yra asmens duomenys, todėl:

• klonuoti galima tik turint aiškų, rašytinį žmogaus sutikimą, kuriame nurodyta, kam ir kiek laiko balsas bus naudojamas;
• darbuotojui išėjus iš įmonės, jo balso naudojimą reikia nutraukti arba susitarti atskirai;
• įžymaus žmogaus balso imitacija reklamoje gali pažeisti jo asmenines neturtines teises ir būti laikoma klaidinančia reklama.

ES DI aktas ir TTS: ką reikia žymėti

DI akto (Reglamentas (ES) 2024/1689) 50 straipsnis taikomas nuo 2026-08-02. Jis numato dvi prievoles, svarbias įgarsinimui. Pirma, DI sistemų tiekėjai turi užtikrinti, kad sintetinis garsas būtų paženklintas mašiniškai nuskaitomu formatu; sistemoms, pateiktoms rinkai iki 2026-08-02, ši prievolė taikoma nuo 2026-12-02. Antra, diegėjai, kurie sukuria giluminę klastotę (angl. deepfake) – pvz., realaus žmogaus balsu kalbantį įrašą, – turi atskleisti, kad turinys dirbtinai sukurtas. Be to, jei žmogus kalbasi su balso robotu, jis turi būti informuotas, kad bendrauja su DI. OpenAI naudojimo politika ir be to reikalauja aiškiai pranešti klausytojui, kad balsas sukurtas DI, o ne žmogaus.

TTS ir šnekos atpažinimas: kuo skiriasi

TTS paverčia tekstą kalba, o šnekos atpažinimas (angl. speech to text, STT) – kalbą tekstu. Balso asistentas ar telefoninis robotas naudoja abu: STT išgirsta klientą, LLM suformuluoja atsakymą, TTS jį ištaria. Bendra delsa sudaroma iš visų trijų dalių, todėl realaus laiko sistemoms renkamasi greitesni TTS modeliai, net jei jie skamba šiek tiek prasčiau.

Lietuvių kalbos šnekos technologijos ilgai kurtos valstybės lėšomis. Projektas LIEPA (2013–2015, Vilniaus universitetas su partneriais) sukūrė pirmuosius laisvai prieinamus lietuvių šnekos sintezės ir atpažinimo variklius, su SAPI5 suderinamą sintezatorių akliesiems ir elektroninio teksto skaitytuvą. LIEPA-2 (2017–2020) sintezatorių pritaikė Android ir iOS telefonams – jis kalba keturiais balsais (dviem vyriškais ir dviem moteriškais). LIEPA-3 (2024 m. rugpjūtis – 2026 m. balandis, Vilniaus universitetas, Vytauto Didžiojo universitetas ir Lietuvių kalbos institutas, biudžetas 4 015 289 € su PVM) kūrė 10 000 valandų anotuotą lietuvių kalbos garsyną. Visi LIEPA projektų produktai skelbiami kaip nemokamai prieinami. Jie tinka asmeniniam naudojimui ir moksliniams tyrimams, o komerciniams projektams su API, SLA ir keliais balsais dažniau renkamasi debesijos tiekėjai.

Prieinamumo reikalavimus Lietuvoje nuo 2025-06-28 nustato Gaminių ir paslaugų prieinamumo reikalavimų įstatymas, o jų laikymąsi vartotojų paslaugose prižiūri Valstybinė vartotojų teisių apsaugos tarnyba (VVTAT). ES DI akto rinkos priežiūrą Lietuvoje vykdo Ryšių reguliavimo tarnyba (RRT), o balso, kaip asmens duomenų, tvarkymą – Valstybinė duomenų apsaugos inspekcija (VDAI). Mokesčių už užsienio TTS paslaugas apskaitai – PVM paaiškinimas acs.lt žinyne.