Прислали голосовое, бот ответил голосом

За рулём, на пробежке, с ребёнком на руках печатать нечем и читать некогда. Бот, который слышит и отвечает вслух, закрывает ровно эти случаи, а стоит на два шага дороже обычного.

Что внутри

1. Голосовое от человека — вход.
2. Расшифровка переводит речь в текст.
3. Ответ — модель. Её промпт написан под уши: коротко, без списков, без ссылок и без символов оформления.
4. Озвучка ответа превращает текст обратно в звук.
5. Голосовой ответ — выход, к которому прикреплён файл.

Промпт здесь важнее графа. Обычный ответ модели полон звёздочек, заголовков и ссылок, и всё это прочитается вслух — самая частая причина, по которой голосовой бот звучит странно при исправной проводке.

Что настроить под себя

• Голос и модель озвучки. У большинства голосовых моделей голос обязателен, и список свой у каждой. Оставите поле пустым — поставщик отобьёт запрос.
• Формат. Выбран mp3: его открывает любой плеер.
• Длину ответа. Две-три фразы это осознанно: минута синтезированной речи слушается дольше, чем читается тот же текст.

Что подключить

Бот Telegram. Учтите, что ход здесь дороже обычного: платятся расшифровка, ответ модели и озвучка. Для разговорного бота, которым пользуются несколько раз в день, это заметно.