Голос нужен там, где текст уже не читают. Клиент не откроет письмо со статусом заказа, но прослушает голосовое в мессенджере. Оператор не будет листать сводку — послушает её по дороге. Курьеру удобнее услышать адрес, чем разбирать его с экрана на морозе.
Обычно озвучку делают руками: диктор, студия, правки на каждую запятую в тексте. Либо пишут свой скрипт вокруг API одной нейросети — и он ломается при первой же смене сервиса.
Синтез речи в workflow — это шаг процесса, который превращает текст в аудиофайл: на вход приходит строка, на выход — готовый файл, который следующий узел отправляет в Telegram, кладёт в хранилище или прикладывает к письму.
В Staqflow появился узел «Синтез речи». Девять провайдеров и все их голоса настраиваются одной панелью, поэтому сменить сервис можно, не перестраивая процесс.
Что умеет узел «Синтез речи»
- Читает текст из процесса. В поле «Текст» подставляется что угодно через выражения: ответ языковой модели, название товара, имя клиента.
- Отдаёт готовый файл. Аудио кладётся в бинарное поле элемента, поэтому его сразу принимает любой узел, работающий с файлами.
- Скрывает различия провайдеров. Формат, скорость и манера задаются одинаково, а перевод в параметры конкретного API узел берёт на себя.
- Не молчит про отказы. Если провайдер не принял параметр, он вернётся в поле
ignored, а не потеряется. - Работает на том же подключении, что распознавание. Ключ заводится один раз и годится и для узла «Распознавание речи», и для синтеза.
Девять провайдеров в одной панели
| Провайдер | Чем озвучивает | Особенность |
|---|---|---|
| OpenAI | gpt-4o-mini-tts и другие, голоса alloy, nova, onyx и ещё восемь | манера речи задаётся словами; текст до 4096 символов |
| Google Gemini | тридцать встроенных голосов — Zephyr, Puck, Kore и другие | всегда отвечает WAV |
| Qwen (Alibaba Cloud) | qwen3-tts-flash и qwen3-tts-instruct-flash | манеру принимают только модели с instruct в имени |
| Groq | быстрые модели озвучки, голоса troy, hannah, austin | отвечает заметно быстрее остальных |
| Mistral | голоса вашего аккаунта | список голосов подтягивается из аккаунта |
| ElevenLabs | модель определяет языки и скорость ответа | свои и клонированные голоса, стабильность и похожесть |
| Deepgram | голос и есть модель: aura-2-thalia-en и подобные | отдельного поля модели нет; текст до 2000 символов |
| Yandex SpeechKit | модель general, русские голоса alena, filipp, zahar и другие | роли: нейтрально, доброжелательно, строго, шёпотом |
| Свой сервер | всё, что говорит на протоколе OpenAI | ключи и голоса остаются в вашем контуре |
Список моделей узел подтягивает сам: у тех, кто отдаёт каталог, — из вашего аккаунта, у остальных подставляется известный набор. Модель и голос можно выбрать из списка или вписать руками, если они вышли только вчера.
Честная оговорка: SaluteSpeech в синтезе нет — у Сбера в Staqflow остаётся распознавание речи. Русские голоса берите в SpeechKit, а сложные интонации — в ElevenLabs.
Какой провайдер выбрать
- Русскоязычным клиентам — Yandex SpeechKit: голоса звучат естественно и есть роли, а ключ и данные остаются в российском облаке.
- Когда важна интонация — ElevenLabs: он же даёт свои и клонированные голоса.
- Когда уже есть ключ OpenAI или Gemini — берите их: отдельное подключение заводить не нужно, оно общее с языковой моделью.
- Когда озвучек много и нужен быстрый ответ — Groq.
- Когда наружу нельзя — свой сервер с моделью, совместимой с протоколом OpenAI.
Менять решение не страшно: провайдер — это поле в узле, а не переписанный процесс.
Как настроить
- Добавьте подключение к нужному сервису в учётных данных пространства. Тот же ключ будет работать и в распознавании речи.
- Поставьте узел «Синтез речи» на канву и выберите провайдера, модель и голос.
- Напишите текст. Здесь работают выражения:
Здравствуйте, {{ $json.name }}. Ваш заказ уже в пути. - Выберите формат файла: MP3, Opus, WAV, FLAC или AAC. MP3 подходит мессенджерам и вебу, WAV — без сжатия.
Дальше ставьте узел отправки: Telegram, почта, хранилище. Аудио уже лежит в поле data, имя поля меняется в параметрах.
Параметры, которые слышно
- Манера речи — как произнести, своими словами: «говори тепло и неторопливо, как оператор поддержки». Принимают OpenAI, Gemini, Qwen и свой сервер; у OpenAI слушают это только новые модели, у Qwen — модели с
instructв имени. - Скорость от 0,25 до 4: единица — обычный темп. Есть у OpenAI, ElevenLabs, SpeechKit и своего сервера.
- Роль у SpeechKit: нейтрально, доброжелательно, зло, строго, дружелюбно, шёпотом. Не у каждого голоса есть каждая роль — неподходящую сервис вернёт ошибкой.
- Стабильность и похожесть на голос у ElevenLabs: меньше стабильность — живее и непредсказуемее, больше — ровнее.
- Таймаут — по умолчанию 5 минут. Длинный текст читается минутами, лучше поднять, чем оборвать прогон.
Параметры показываются только тем провайдерам, которые их принимают, а ограничения проверяются до запроса: текст длиннее лимита провайдера узел остановит сразу, не потратив оплаченный вызов.
Что приходит на выход
Файл лежит в бинарном поле, а рядом — данные о нём:
provider,model,voice— кто озвучил, чем и каким голосом;fileName,mimeType,bytes— имя файла, тип и размер;characters— сколько символов озвучено: провайдеры берут плату за символы, так что по этому числу видно, во что обошлась озвучка;ignored— параметры, которые провайдер не принял.
Ошибки тоже говорят по-человечески: «Модель ответила текстом, а не озвучила», «Провайдер отказался озвучивать» с его собственным объяснением, «Провайдер вернул пустой файл». Это тот случай, когда из истории запусков сразу видно, что произошло.
Сценарии автоматизации с озвучкой
Голосовые уведомления клиентам
Статус заказа сменился в учётной системе → текст собирается из данных заказа → узел озвучивает его голосом SpeechKit → сообщение уходит в Telegram-бот голосовым. Для клиента это удобнее ссылки на личный кабинет.
Озвучка статей и рассылок
Новая статья в CMS → узел читает текст и отдаёт MP3 → файл ложится в хранилище и попадает в подкаст-ленту. К обложке, нарисованной соседним узлом, добавляется звуковая версия — оба файла делает один процесс.
Ответы поддержки голосом
Языковая модель формулирует ответ клиенту → узел синтеза озвучивает его с манерой «тепло и неторопливо» → голосовое уходит в чат. Текст и аудио отправляются вместе, клиент выбирает, что ему удобнее.
Сводки для тех, у кого заняты руки
Утренний отчёт по продажам, список задач на день, сводка по заявкам — процесс по расписанию собирает текст, озвучивает и присылает файл в чат. Слушают в дороге.
Объявления и напоминания
Напоминание о записи, объявление для магазина, инструкция для курьера — один процесс с текстом-шаблоном и подстановкой данных вместо ручной записи на каждый случай.
Сколько это стоит
Провайдеры берут плату за символы по вашему тарифу — поэтому в ответе и есть поле characters. В Staqflow оплачивается только работа процесса: токены за CPU-секунды, а ожидание ответа нейросети процессор почти не грузит, так что сама озвучка в токенах стоит немного. Тарифы — на странице цен.
Частые вопросы
Какие нейросети озвучивают текст в Staqflow?
Девять провайдеров: OpenAI, Google Gemini, Qwen, Groq, Mistral, ElevenLabs, Deepgram, Yandex SpeechKit и любой сервер с протоколом OpenAI. Моделей и голосов внутри них гораздо больше.
Есть ли русские голоса?
Да, в Yandex SpeechKit: alena, filipp, zahar, jane и другие, с ролями от нейтральной до шёпота. Русский язык понимают и модели ElevenLabs, Gemini и OpenAI.
Можно ли озвучить своим голосом?
Голоса, созданные или клонированные в вашем аккаунте ElevenLabs, приходят в список голосов узла. То же и у Mistral.
Как отправить озвучку в Telegram?
Поставьте узел Telegram следующим шагом: файл уже лежит в бинарном поле элемента, отдельная выгрузка не нужна.
Что делать с длинным текстом?
У OpenAI ограничение 4096 символов, у Deepgram — 2000. Длинный текст разбивают на части узлом-разделителем и озвучивают по очереди — каждый кусок придёт отдельным элементом с готовым файлом.
Можно ли сменить провайдера в готовом процессе?
Да, в этом и смысл общей панели: формат, скорость и остальные параметры переводятся под новый сервис, а то, что новый провайдер не принял, честно возвращается полем ignored.
Данные уходят во внешний сервис?
В облачные — да, как и при любом вызове чужого API. Если так нельзя, в собственном контуре к узлу подключается локальная модель, совместимая с протоколом OpenAI.
Попробуйте
- Создайте аккаунт — карта не нужна.
- Добавьте подключение к сервису, которым пользуетесь, и поставьте узел «Синтез речи».
- Или опишите задачу своему ИИ-клиенту через MCP: «Каждое утро озвучивай сводку по заявкам и присылай голосовым в чат».
Остальные сервисы, которым можно передать готовый аудиофайл, — в каталоге интеграций.