Video dublyaji uchun ovoz
Tarjima qilingan matn ovoz bilan o'qiladi. Bu stsenariy bizda haqiqiy ishlab turibdi: shu model ustida qurilgan dublyaj xizmati bugun mijozga xizmat qilyapti.
Matnni o'zbekcha o'qiydigan ovoz
Ovoz klonlash uchun 30 soniyalik namuna yetadi. Sana, raqam va ingliz atamalari modelga yetib borgunicha alohida talaffuz qatlamidan o'tadi.
Hozircha faqat o'zbek tili. Hissiyot boshqaruvi, nutqni matnga aylantirish va real vaqt rejimi yo'q — sabablari quyidagi jadvalda.
Yozing va eshiting
Ro'yxatdan o'tish ham, elektron pochta ham so'ralmaydi. 280 belgigacha matn, uchta ovoz, tezlik boshqaruvi.
Bu yerda eshitilgan hamma narsa shu daqiqada hisoblanadi. Oldindan tayyorlangan yozuvlar Ovozlar sahifasida, o'z yorlig'i bilan turadi.
Kutayotganda quyidagi talaffuz jadvali darhol ochiladi: u model ishga tushmasdan hisoblanadi.
Yozilgan
O'qiladigan shakl
| Bosqich | Natija | O'zgardi |
|---|
Sintez navbat bilan bajariladi. Navbatdagi o'rningiz va taxminiy kutish vaqti raqam bilan ko'rsatiladi — aylanadigan belgi emas. Kutish vaqti uzun, chunki matningiz shu daqiqada o'qilyapti.
Hissiyot tanlovi yo'q va u ataylab qo'yilmagan. Ishlamaydigan sozlamani ko'rsatib, yoniga «hozircha ishlamaydi» deb yozish ham aldov bo'lardi.
Tekshirmoqchi bo'lgan jumlangizni yozing.
Quyidagi maydonga o'z matningizni yozing. Model ishga tushmaydi — faqat matn quvuri yuguradi, shuning uchun javob darhol keladi va navbat kutilmaydi.
Yozilgan
O'qiladigan shakl
| Bosqich | Natija | O'zgardi |
|---|---|---|
Nima ishlaydi, nima hali yo'q
Saytdagi eng muhim jadval shu. Har qatorning yonida sabab turadi; «tez orada» degan javob yo'q, chunki uni tekshirib bo'lmaydi.
| Imkoniyat | Holat | Sabab |
|---|---|---|
| Matnni o'zbekcha ovozga aylantirish | Bor | O'zbek tilida 600 soat nutqda o'qitilgan model ustida ishlaydi. Chiqish 24 000 Hz. |
| Ovoz klonlash, namuna 30 soniyagacha | Bor | Namuna va o'sha namunaning matni beriladi — model ovozni bir chaqiruvda oladi, qayta o'qitish yo'q. Chegara kodda qat'iy yozilgan, sozlama emas. |
| Saqlangan ovozlar | Bor | Bir marta tayyorlangan ovoz saqlanadi va keyingi matnlarda namunani qaytadan yuklamasdan ishlatiladi. |
| O'qish tezligini boshqarish | Bor | Tezlik parametri modelda bor va ishlaydi. Ta'sirini demoda darhol eshitasiz. |
| O'zbek talaffuz qatlami | Bor | Sana, raqam, ingliz atamasi va qisqartma modelga yetib borgunicha besh bosqichdan o'tadi. Bu qatlam bizniki va u yopiq emas — har bosqich nima o'zgartirgani ko'rsatiladi. |
| Hissiyot boshqaruvi | Hali yo'q | O'lchandi. Hissiyot teglari qo'yilganda o'qish davomiyligi va energiyasi o'zgaradi, hissiyotning o'zi esa deyarli o'zgarmaydi. Model mualliflarining o'z namunalarini ham tingladik — ular ham tekis. «Tez orada» demaymiz: sana aytish uchun avval imkoniyat borligini ko'rsatish kerak. |
| Nutqni matnga aylantirish (STT) | Hali yo'q | Bizda o'z modeli yo'q. O'lchovlarda hakam sifatida uchinchi tomon xizmatidan foydalanamiz — u asbob, mahsulot emas va biz uni sotmaymiz. |
| Voice agent, jonli suhbat | Hali yo'q | Qurilmagan. Rejada bor, sanasi yo'q — sana aytish uchun avval real vaqt masalasi hal bo'lishi kerak. |
| Real vaqt, past kechikish | Hali yo'q | Bir soniyalik audio uchun 1,79 soniya hisob ketadi (Mac M4, protsessor). Bu real vaqtdan sekin, ya'ni jonli suhbatga yaramaydi. GPU tekshirildi — u protsessordan atigi bir yarim barobar tez. |
| Ko'p tillilik ro'yxati | Hali yo'q | Faqat o'zbek talaffuzini o'lchadik. Asos qilingan model ko'p tilli, lekin o'lchamagan tilni ro'yxatga qo'shish — raqamsiz va'da. Har yangi til uchun sinov to'plami qaytadan yig'iladi. |
| Ochiq API | Hali yo'q | Endpoint hali yopiq. Ishlamaydigan kod namunasini qo'yish yoki havolani kirish sahifasiga olib borish — ikkalasi ham aldov, shuning uchun API sahifasida faqat holat va kutish ro'yxati turibdi. |
Model nimani o'qiyotganini ko'rsatamiz
O'zbekcha matnda eng ko'p xato sana, raqam, ingliz atamasi va qisqartmada bo'ladi. Ular modelga borishidan oldin besh qatlamdan o'tadi va har qatlam nima o'zgartirgani ochiq ko'rsatiladi. Bu jadval model ishga tushmasdan hisoblanadi — ya'ni u navbatsiz, darhol javob beradi.
Yozilgan
Elon Musk COBOL va LUT haqida 50% gapirdi, matn tayyor.
O'qiladigan shakl
Ilon Mask Kobol va el-yu-ti haqida ellik foiz gapirdi, matin tayyor.
Besh bosqich
| Bosqich | Natija | O'zgardi | Qatlamni o'chirish |
|---|---|---|---|
| Apostrof Har xil apostrof belgilari bittasiga keltiriladi: «oʻ», «ʼ», «`» — hammasi «'» bo'ladi. Bu qatlamni o'chirib bo'lmaydi. |
Elon Musk COBOL va LUT haqida 50% gapirdi, matn tayyor. | Tegmadi | |
| Raqam Raqam, sana va foiz o'zbekcha so'zga aylanadi: «50%» → «ellik foiz». Bu qatlam ulanmagan paytda model «fifty foizga» deb o'qigan — xato shu yerda topilgan. |
Elon Musk COBOL va LUT haqida ellik foiz gapirdi, matn tayyor. | O'zgardi | |
| Epenteza Undoshlar to'plami yoriladi: «matn» → «matin». O'zbek nutqida bu tabiiy, yozuvda esa ko'rinmaydi. |
Elon Musk COBOL va LUT haqida ellik foiz gapirdi, matin tayyor. | O'zgardi | |
| Ingliz atamalari Qo'lda tuzilgan jadval: «Elon Musk» → «Ilon Mask», «COBOL» → «Kobol». Har yozuv qo'l bilan qo'yilgan va tekshirilgan. |
Ilon Mask Kobol va LUT haqida ellik foiz gapirdi, matin tayyor. | O'zgardi | |
| Avto-lug'at Jadvalga tushmagan so'z uchun CMUdict asosidagi avto-transliterator. Standart rejim — qisqartma: faqat bosh harfli qisqartmalarga tegadi, ismlarni buzmaydi. To'liq rejim ismlarni buzishi o'lchangan. |
Ilon Mask Kobol va el-yu-ti haqida ellik foiz gapirdi, matin tayyor. | O'zgardi |
Misollar
| Yozilgan | O'qiladigan shakl |
|---|---|
| Elon Musk | Ilon Mask |
| COBOL | Kobol |
| LUT | el-yu-ti |
| 50% | ellik foiz |
| matn | matin |
| 2026-yil 5-may | ikki ming yigirma oltinchi yil beshinchi may |
Raqamlar — va ular nimani o'lchamaydi
216 ta yozuvli sinov to'plamida o'zbekcha talaffuz o'lchandi. Metrika oddiy: model aytgan so'zni hakam to'g'ri tanidimi.
63%
talaffuz sinovida tanildi
216 ta yozuvdagi jami natija. Turkumlar bo'yicha farq katta: sana 100%, qisqartma 55%.
±3 nuqta
o'lchov shovqini
Hakam bir xil audioni ikki marta eshitganda 5% yozuvga boshqa hukm beradi. Shu chegaradan kichik farq yaxshilanish emas va biz uni yutuq deb e'lon qilmaymiz.
1,79
real vaqt koeffitsienti
Bir soniyalik audio uchun 1,79 soniya hisob ketadi — Mac M4, protsessor. Bu real vaqtdan sekin.
24 000 Hz
chiqish chastotasi
Model shu chastotada beradi. Uni sun'iy ko'tarib, kattaroq raqam yozmaymiz.
Sahifadagi hamma raqam repoda o'lchangan va xom natijalari saqlangan.
Ovozlar
Bugun 3 ta faol ovoz bor. Har ovoz uchun namunaning o'zi ham, uning matni ham kerak — ikkalasisiz klonlash ishlamaydi. Shuning uchun kutubxona sekin to'ladi va biz ovozlar soni haqida raqam va'da qilmaymiz.
Nido
Namuna uzunligi
8,0 soniya
Kutubxonadagi eng uzun namuna. Xabar, e'lon va ta'lim matnlari uchun tavsiya qilamiz.
Tavsiya — o'lchov emas. Qaysi ovoz sizning matningizga mos kelishini demoda o'z quloq bilan tekshiring.
Ravon
Namuna uzunligi
5,7 soniya
Qisqa namuna, tinch o'qish. Ro'yxat, ko'rsatma va qisqa xabarlar uchun tavsiya qilamiz.
Namuna qisqa bo'lgani uchun uzun matnda ohang boshqalarga qaraganda tezroq bir xillashadi.
Bayon
Namuna uzunligi
7,9 soniya
Uzluksiz bayon uchun. Uzun matn va videodan tashqari ovoz uchun tavsiya qilamiz.
Tavsiya — o'lchov emas. Demoda tekshirib ko'ring.
Qanday ishlarga to'g'ri keladi
Quyidagi to'rt stsenariyni ishonch bilan aytamiz, chunki ular yo bizda ishlab turibdi, yo sinovdan o'tgan.
Audiokitob va uzun matn
Uzun matn bo'laklarga bo'linib, navbat bilan o'qiladi. Ishlash real vaqtdan sekin, ya'ni bu kutib olinadigan ish — jonli emas.
Kurs va ta'lim materiali
O'nlab dars matni bitta ovozda. Saqlangan ovoz aynan shu yerda foyda beradi: namunani har safar qaytadan yuklash shart emas.
E'lon, ko'rsatma, ovozli menyu matni
Qisqa va oldindan yozilgan matnlar. Bu jonli suhbat emas: javob beradigan tizim uchun voice agent kerak, u bizda yo'q.
Bugun to'g'ri kelmaydi
- Qo'ng'iroq markazi agenti va jonli suhbat — real vaqtdan sekinmiz.
- Hissiyotli personaj o'qishi — hissiyot boshqaruvi o'lchandi va ishlamadi.
- O'zbekchadan boshqa tilda ishonchli o'qish — o'lchamaganmiz.
Buni oldindan aytamiz, chunki mos kelmaydigan ishni sotib, keyin uzr so'rash ikkalamizga ham qimmatga tushadi.
Nimaning ustiga qurilgan
Baza model ochiq va biz buni yashirmaymiz. Bizning ishimiz model emas — model ustidagi qatlam: o'zbek talaffuzi, atamalar jadvali va o'lchov intizomi.
Baza model
CosyVoice2-0.5B
Apache-2.0 litsenziyasi. Ochiq model, uni har kim ola oladi.
O'zbek qatlami
aisha-org/navoiy-tts
O'zbek tilida 600 soat nutqda o'qitilgan, Apache-2.0. Modelning til moduli shundan olingan.
Chiqish
24 000 Hz
Model shu chastotada beradi. Uni sun'iy ko'tarib, kattaroq raqam yozmaymiz.
Ko'p beriladigan savollar
Javoblar yuqoridagi jadval bilan bir xil. Ziddiyat bo'lsa — bu bizning xatomiz, ayting.
Hissiyotni boshqarish mumkinmi?
Yo'q. Sinab ko'rdik: matnga hissiyot teglari qo'yilganda o'qish davomiyligi va energiyasi o'zgaradi, hissiyotning o'zi esa deyarli o'zgarmaydi. Model mualliflari tayyorlagan namunalarni ham tingladik — ular ham tekis eshitildi. Shuning uchun bu sozlama interfeysga qo'yilmadi. «Tez orada» ham demaymiz: sana aytish uchun avval imkoniyat borligini ko'rsatish kerak, bizda esa aksi o'lchandi.
Nutqni matnga aylantirasizmi?
Yo'q. Bizda o'z modeli yo'q va uni sotmaymiz. O'lchovlarimizda hakam sifatida uchinchi tomon xizmatidan foydalanamiz — u bizning asbobimiz, mahsulotimiz emas. Sizga nutqni matnga aylantirish kerak bo'lsa, bu bizning ish maydonimiz emasligini oldindan aytamiz.
Qaysi tillarda ishlaydi?
O'zbek tilida. Boshqa til ro'yxatini qo'ymaymiz. Asos qilingan model ko'p tilli, lekin biz faqat o'zbek talaffuzini sinovdan o'tkazdik: 216 ta yozuv, 63% tanildi. Boshqa til uchun o'sha ishning o'zi qaytadan qilinishi kerak — sinov to'plami yig'iladi, hakam qo'yiladi, shovqin o'lchanadi. Shu ish qilinmaguncha, til ro'yxatga tushmaydi.
O'z ovozimni klonlay olamanmi?
Ha. 30 soniyagacha toza yozuv va o'sha yozuvning matni kerak. Matn shart: model namunani uning matni bilan solishtirib ovozni oladi. Qayta o'qitish yo'q — ovoz bir chaqiruvda olinadi. 30 soniya chegarasi kodda qat'iy yozilgan, sozlama emas. Begona ovozni egasining yozma roziligisiz klonlash taqiqlanadi — bu foydalanish qoidalarida alohida band.
Matnim va ovoz namunam nima bo'ladi?
Sintez bizning o'z serverimizda bajariladi. Demo matni natija bilan birga qisqa muddat saqlanadi — navbat shu bilan ishlaydi. Ovoz namunasi: saqlangan ovoz yasashni o'zingiz so'ramasangiz, sintezdan keyin saqlanmaydi. Yozuvlaringiz model o'qitishga ishlatilmaydi. Batafsili — Maxfiylik sahifasida.
Qancha turadi?
Bugun narx yo'q va bu ataylab. Tannarx bitta hal qilinmagan qarorga bog'liq: model qayerda ishlaydi — protsessorda kvantlangan holdami yoki GPU ijarasidami. Hozirgi o'lchov: bir soniyalik audio uchun 1,79 soniya hisob. Shu raqam qat'iylashgach, narx modeli e'lon qilinadi. Bo'sh narxlar sahifasini qo'yib, ichida «biz bilan bog'laning» yozishdan ko'ra, hisob qanday qurilishini ochiq aytamiz.
API qachon ochiladi?
Sanasi yo'q. Endpoint hali yopiq va biz ishlamaydigan kod namunasini ko'rsatmaymiz. API sahifasida holat va kutish ro'yxati turibdi; endpoint ochilganda o'sha sahifa hujjatga aylanadi. Birinchi bo'lib talaffuz quvuri ochilishi mumkin — u model ishga tushmasdan hisoblanadi, ya'ni yuki deyarli yo'q.
Beta va API kutish ro'yxati
Bitta elektron pochta manzili yetadi. Nima uchun kelganingizni belgilang — bu bizga qaysi ishni oldin qilish kerakligini ko'rsatadi.
Yozildingiz. Joy ochilganda shu manzilga xabar beramiz.
O'zbek nutq sintezi. Bor narsani aytamiz, yo'q narsani yozib qo'yamiz.
Futerda faqat ochiladigan sahifalarga havola bor. Qurilmagan bo'lim bu yerda ko'rinmaydi.