Web, 2025
Контекст
В Сбере есть собственный синтез речи. Десятки голосов — каждый записан реальным диктором в студии за несколько часов. Эти голоса звучат в ботах (например, 900), в ассистентах Салют, их продают внешним клиентам через SaluteSpeech YourVoice.
Чтобы проверить, как голос зазвучит на конкретном тексте, команды пользовались внутренним инструментом text-to-speech, собранный на коленке технический прототип.
Но инструмент со временем разросся, в итоге нормально пользоваться им могут только небольшой круг разработчиков. Хотя продукт нужен не только им: продакты слушали, как зазвучит бот, контент-редакторы проверяли озвучку для Салют, QA искали баги в произношении.
Задача
Инструмент собрали сами разработчики, без дизайнера. Он рос, обрастал функциями — и стал переусложнённым: всё на одном экране, разберёшься только если знаешь контекст. Меня позвали навести порядок.
Сначала разобрался, кто им пользуется. Четыре аудитории, у каждой своя задача:
•
Разработчики тестируют голоса перед интеграцией. Нужны технические параметры: стенд, версия движка, частота
•
Продакты и дизайнеры слушают, как зазвучит бот. Стенды не нужны — нужно выбрать голос и услышать результат.
•
Контент-редакторы проверяют озвучку текстов для Салют. Сравнивают разные голоса на одном тексте.
•
QA ищут баги в произношении. Нужна история запусков и кнопка «сообщить о проблеме».
Решение
Старый интерфейс валил всё в кучу. Я разложил экран на три колонки — по частоте использования.
Слева — настройки генерации: стенд, кэш, формат. Их выставляют один раз и почти не возвращаются
По центру — выбор голоса.
Его меняют чаще
Добавил поиск и фильтры. Десятки голосов перестали быть свалкой
Справа — озвучивание. Самый крупный блок: ввод текста, прослушивание, скачивание, повторная генерация
Предполагаемые зоны активности
Результат
Инструментом пользуется небольшая аудитория — несколько команд. Количественные метрики на таком объёме не показательны, поэтому эффект мерил качественно.
Гипотеза с тремя зонами подтвердилась. Внимание распределилось по задумке: справа, в блоке озвучивания, работают постоянно; центр с выбором голоса трогают реже; левые настройки — почти не трогают после первой настройки. Раскладка по частоте сработала.
Юзабилити-тесты до и после. Прогнал 6 человек по сценарию «найди голос и озвучь текст». На старой версии не-разработчики терялись среди технических настроек — непонятно, что выбирать и на что это влияет. На новой — лишнее убрано с глаз, нужное под рукой, проходят сценарий без вопросов.
Спросил пользователей, что изменилось уже после релиза. Главное — инструментом стали пользоваться самостоятельно, продакты и редакторы перестали звать на помощь технаря.
Хотфикс
Заметил на созвонах, самый частый паттерн поведения пользователя. Выбор голоса → ввод текста → кнопка озвучки → Play → скачать. И заметил, что в интерфейсе этот путь для курсора слишком длинный, без особых на то причин. Поправил.
