SSML (диалоговый поток)

Возвращая ответ в Google Assistant, вы можете использовать в своих ответах подмножество языка разметки синтеза речи ( SSML ). Используя SSML, вы можете сделать ответы вашего разговора более похожими на естественную речь. Ниже показан пример разметки SSML и то, как она считывается Google Assistant.

ССМЛ 
function saySSML(conv) {
  const ssml = &<#39;s>peak' +
    &#<39;Here are say-as interpret-as=>&quo<t;chara>cters"SSML/say-as samples.< ' +
    >9;I can pause break time="<;3" /. ' +
    'I can play a sound audi>o src="ht<tps://>www.example.com/MY_WAVE_FILE.wav"your wave file/a<udio. ' +
    'I can s>pe<ak in c>ardinals. Your position is say-as interpret-as="ca<rdinal"10/say-as in line>. <' +>
    'Or I can speak in ordinals. You are say-as interpret-as="ord<inal"10/say-as in line.> &<#39; +
>    'Or I can even speak in digits. Your positi<on in line is say-as interpret-as=&qu>ot;<digi>ts"10/say-as. ' +
    'I can also substitute phrases, like t<h><e> sub alias="Worl<d ><W>ide Web Consortium&qu<ot><;W>3C/sub. &<#39; +>
    'Finally, I can speak a paragraph with two sentences. ' +
    'psThis is sentence one./ssThis is sentence two./s/p' +
    '/speak';
  conv.ask(ssml);
}
JSON 
{
  "expectUserResponse": true,
  "expectedInputs": [
    {
      "possibleIntents": [
        {
          "intent": "actions.intent.TEXT"
        }
      ],
      "inputPrompt": {
        "richInitialPrompt": {
          "items": [
 <     >      {
 <             "simpleResponse&>quot<;: {
  >              "te<xtToSpeech": >"speakHere are s<ay-as interpret-as=\"characters\"SSML/say-as> samples. I ca<n paus>e break time=\"3\" /. I can play a <sound audio src=\"https://w>ww<.exampl>e.com/MY_WAVE_FILE.wav\"your wave file/au<dio. I can speak in cardinals. >Yo<ur posi>tion is say-as interpret-as=\"cardinal\"10/say-as in lin<e. Or I can speak in ordinals.> Y<ou are >say-as interpret-as=\"ordinal\"1<0/say-as in line. Or I can even speak i>n d<igit>s. Your position in line is say-as interpret-as=\"<d><i>gits\"10/say-as.< I>< >can also substitute p<hr><as><es, li>ke the sub alias=\"World Wide Web Consortium\"W3C/sub. Finally, I can speak a paragraph with two sentences. psThis is sentence one./ssThis is sentence two./s/p/speak"
              }
            }
          ]
        }
      }
    }
  ]
}

Аудио

SSML поддерживается в симуляторе Actions , но не в симуляторе Dialogflow.

URL-адреса в SSML

При определении ответа SSML, который включает только URL-адрес, амперсанды в этом URL-адресе могут вызвать проблемы из-за форматирования XML. Чтобы обеспечить правильную ссылку на URL-адрес, замените экземпляры & на &amp; .

Даже если ваш ответ SSML содержит только URL-адрес, Actions on Google требует отображать текст ответа. Поскольку текст внутри тега <audio> не будет озвучен Ассистентом, вы можете вставить текст-заполнитель или краткое описание в тег <audio> , чтобы удовлетворить этому требованию. Текст внутри тега <audio> не будет произноситься Ассистентом после воспроизведения звука и соответствует требованию Action on Google для отображаемой текстовой версии вашего SSML.

Вот пример проблемного ответа SSML:

<speak>
  <audio src="https://firebasestorage.googleapis.com/v0/b/project-name.appspot.com/o/audio-file-name.ogg?alt=&mediatoken=XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXX>XXX<X">;<
  /au>dio
/speak

В приведенном выше примере не используется знак & для правильного форматирования XML.

Фиксированная версия того же ответа SSML выглядит следующим образом:

<speak>
  <audio src="https://firebasestorage.googleapis.com/v0/b/project-name.appspot.com/o/audio-file-name.ogg?alt=&mediaamp;token=XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXX>XXXX"<
  tex>t<
  /au>dio
/speak

Поддержка элементов SSML

В следующих разделах описаны элементы и параметры SSML, которые можно использовать в ваших действиях.

<speak>

Корневой элемент ответа SSML.

Дополнительные сведения об элементе speak см. в спецификации W3 .

Пример 

<speak>
  my SSML content
</speak>

<break>

Пустой элемент, управляющий паузой или другими просодическими границами между словами. Использование <break> между любой парой токенов не является обязательным. Если этот элемент отсутствует между словами, разрыв определяется автоматически на основе лингвистического контекста.

Чтобы узнать больше об элементе break , смотрите спецификацию W3 .

Атрибуты

Атрибут Описание
time

Устанавливает продолжительность перерыва в секундах или миллисекундах (например, «3 с» или «250 мс»).

strength

Устанавливает силу просодического разрыва вывода в относительных терминах. Допустимые значения: «x-слабый», «слабый», «средний», «сильный» и «x-сильный». Значение «нет» указывает на то, что граница просодического разрыва не выводится, что можно использовать для предотвращения просодический разрыв, который в противном случае произвел бы процессор. Другие значения указывают монотонно неубывающую (концептуально возрастающую) силу разрыва между токенами. Более сильные границы обычно сопровождаются паузами.

Пример

В следующем примере показано, как использовать элемент <break> для паузы между шагами:

<speak>
  Step 1, take a deep breath. <break time="20>0ms"/
  Step 2, exhale.
  Step 3, take a deep brea<th again. break streng>th="weak"</
  St>ep 4, exhale.
/speak

<say‑as>

Этот элемент позволяет указать информацию о типе текстовой конструкции, содержащейся внутри элемента. Это также помогает указать уровень детализации для рендеринга содержащегося текста.

Элемент <say‑as> имеет обязательный атрибут interpret-as , который определяет, как произносится значение. format и detail необязательных атрибутов могут использоваться в зависимости от конкретного значения interpret-as .

Примеры

Атрибут interpret-as поддерживает следующие значения:

  • currency

    Следующий пример произносится как «сорок два доллара и один цент». Если атрибут языка опущен, используется текущая локаль.

    <speak>
  <say-as interpret-as='currency' language>='<en-US&#>3<9;$42.>01/say-as
/speak
  • telephone

    См. описание interpret-as='telephone' в примечании WG к значениям атрибута Say-as W3C SSML 1.0.

    Следующий пример произносится как «один восемь ноль ноль два ноль два один два один два». Если атрибут «google:style» опущен, он обозначает ноль как букву О.

    Атрибут «google:style='zero-as-zero'» в настоящее время работает только в языковых стандартах EN.

          <speak>
        <say-as interpret-as='telephone' google:style='z>ero-as-zero&#<39;1800>-202-12<12/say>-as
      /speak
  • verbatim или spell-out

    Следующий пример пишется по буквам:

    <speak>
  <say-as interpret-as="verb>atim&qu<ot;abcd>e<fg/say>-as
/speak
  • date

    Атрибут format представляет собой последовательность кодов символов поля даты. Поддерживаемые коды символов поля в format : { y , m , d } для года, месяца и дня (месяца) соответственно. Если код поля появляется один раз для года, месяца или дня, то ожидаемое количество цифр равно 4, 2 и 2 соответственно. Если код поля повторяется, то количество ожидаемых цифр равно количеству повторений кода. Поля в тексте даты могут быть разделены знаками препинания и/или пробелами.

    Атрибут detail управляет устной формой даты. Для detail='1' обязательны только поля дня и одно из полей месяца или года, хотя можно указать оба. Это значение по умолчанию, если задано меньше всех трех полей. Разговорная форма: «{порядковый день} {месяца}, {года}».

    Следующий пример произносится как «Десятое сентября тысяча девятьсот шестьдесят»: 

    <speak>
  <say-as interpret-as="date" format="yyyym>mdd" detail=&<quot;1&>q<uot;
 >   1960-09-10
  /say-as
/speak

    Следующий пример называется «Десятое сентября»: 

    <speak>
  <say-as interpret-as="date" f>orma<t=">;<dm&quo>t;10-9/say-as
/speak

    Для detail='2' поля дня, месяца и года являются обязательными, и это значение по умолчанию, когда указаны все три поля. Разговорная форма: «{месяц} {порядковый день}, {год}».

    Следующий пример произносится как «десятое сентября тысяча девятьсот шестьдесят»: 

    <speak>
  <say-as interpret-as="date" format=">dmy" detail=<"2>&<quot;
>    10-9-1960
  /say-as
/speak
  • characters

    Следующий пример произносится как «CAN»: 

    <speak>
  <say-as interpret-as="charac>ter<s">c<an/say>-as
/speak
  • cardinal

    Следующий пример произносится как «Двенадцать тысяч триста сорок пять» (для американского английского) или «Двенадцать тысяч триста сорок пять (для британского английского)»: 

    <speak>
  <say-as interpret-as="card>inal&<quot;12>3<45/say>-as
/speak
  • ordinal

    Следующий пример произносится как «Первый»: 

    <speak>
  <say-as interpret-as="ord>i<nal&quo>t<;1/say>-as
/speak
  • fraction

    Следующий пример произносится как «пять с половиной»: 

    <speak>
  <say-as interpret-as="frac>tion&<quot;5+>1</2/say>-as
/speak
  • expletive или bleep

    Следующий пример звучит как звуковой сигнал, как будто он был подвергнут цензуре: 

    <speak>
  <say-as interpret-as="exple>tive"c<ensor t>h<is/say>-as
/speak
  • unit

    Преобразует единицы измерения в единственное или множественное число в зависимости от числа. Следующий пример произносится как «10 футов»: 

    <speak>
  <say-as interpret-as=">unit&qu<ot;10 f>o<ot/say>-as
/speak
  • time

    Следующий пример произносится как «два тридцать вечера»: 

    <speak>
  <say-as interpret-as="time" form>at=&qu<ot;hms1>2<">2:30pm/say-as
/speak

    Атрибут format представляет собой последовательность кодов символов поля времени. Поддерживаемые коды символов полей в format : { h , m , s , Z , 12 , 24 } для часов, минут (часов), секунд (минут), часового пояса, 12-часового времени и 24-часового времени. соответственно. Если код поля появляется один раз для часов, минут или секунд, то ожидаемое количество цифр равно 1, 2 и 2 соответственно. Если код поля повторяется, то количество ожидаемых цифр равно количеству повторений кода. Поля в тексте времени могут быть разделены знаками препинания и/или пробелами. Если в формате не указаны час, минута или секунда или нет совпадающих цифр, поле рассматривается как нулевое значение. format по умолчанию — «hms12».

    Атрибут detail определяет, является ли устная форма времени 12-часовой или 24-часовой. Разговорная форма — 24-часовое время, если detail='1' или если detail опущена и формат времени — 24-часовое. Разговорная форма — 12-часовое время, если detail='2' или если detail опущена и формат времени — 12-часовое.

Дополнительные сведения об элементе say-as см. в спецификации W3 .

<audio>

Поддерживает вставку записанных аудиофайлов и вставку других аудиоформатов в сочетании с выводом синтезированной речи.

Атрибуты

Атрибут Необходимый По умолчанию Ценности
src да н/д URI, ссылающийся на источник аудиомедиа. Поддерживаемый протокол https .
clipBegin нет 0 Обозначение TimeDesignation , которое представляет собой смещение от начала источника звука, с которого начинается воспроизведение. Если это значение больше или равно фактической продолжительности источника звука, звук не вставляется.
clipEnd нет бесконечность Обозначение TimeDesignation , которое представляет собой смещение от начала аудиоисточника до окончания воспроизведения. Если фактическая продолжительность источника звука меньше этого значения, воспроизведение заканчивается в это время. Если clipBegin больше или равно clipEnd , звук не вставляется.
speed нет 100% Отношение выходной скорости воспроизведения к нормальной входной скорости, выраженное в процентах. Формат: положительное действительное число, за которым следует %. В настоящее время поддерживается диапазон [50% (медленно – половинная скорость), 200% (быстро – двойная скорость)]. Значения за пределами этого диапазона могут (а могут и не быть) скорректированы так, чтобы оказаться внутри него.
repeatCount нет 1 или 10, если установлен repeatDur . Действительное число, указывающее, сколько раз вставлять звук (после обрезки, если таковая имеется, с помощью clipBegin и/или clipEnd ). Дробные повторения не поддерживаются, поэтому значение будет округлено до ближайшего целого числа. Ноль не является допустимым значением и поэтому считается неопределенным и в этом случае имеет значение по умолчанию.
repeatDur нет бесконечность Обозначение TimeDesignation , которое является ограничением продолжительности вставленного звука после обработки источника для атрибутов clipBegin , clipEnd , repeatCount и speed (а не обычной длительности воспроизведения). Если продолжительность обработанного звука меньше этого значения, воспроизведение заканчивается в это время.
soundLevel нет +0 дБ Отрегулируйте уровень звука звука в децибелах soundLevel . Максимальный диапазон составляет +/-40 дБ, но фактический диапазон может быть меньше, а качество выходного сигнала может не дать хороших результатов во всем диапазоне.

Ниже приведены поддерживаемые в настоящее время настройки звука:

  • Формат: MP3 (MPEG v2)
    • 24 тыс. выборок в секунду
    • 24–96 000 бит в секунду, фиксированная скорость
  • Формат: Opus в Ogg.
    • 24 тыс. выборок в секунду (сверхширокополосный)
    • 24–96 000 бит в секунду, фиксированная скорость
  • Формат (устаревший): WAV (RIFF).
    • PCM 16-битный, с прямым порядком байтов
    • 24 тыс. выборок в секунду
  • Для всех форматов:
    • Предпочтителен один канал, но допускается стерео.
    • Максимальная продолжительность 240 секунд. Если вы хотите воспроизводить аудио более продолжительное время, рассмотрите возможность реализации медиа-ответа .
    • Ограничение размера файла 5 мегабайт.
    • Исходный URL-адрес должен использовать протокол HTTPS.
    • Нашим UserAgent при получении аудио является «Google-Speech-Actions».

Содержимое элемента <audio> не является обязательным и используется, если аудиофайл не может быть воспроизведен или устройство вывода не поддерживает звук. Содержимое может включать элемент <desc> и в этом случае для отображения используется текстовое содержимое этого элемента. Дополнительную информацию см. в разделе «Записанное аудио» в Контрольном списке ответов .

URL- src также должен быть URL-адресом https ( Google Cloud Storage может размещать ваши аудиофайлы по URL-адресу https).

Дополнительную информацию о реакциях СМИ см. в разделе «Ответы СМИ» в руководстве «Ответы».

Чтобы узнать больше об элементе audio , смотрите спецификацию W3 .

Пример 

<speak>
  <audio src="cat_purr_close>.ogg&<quot>;
    desca c<at pu>rring/desc
    PURR (sound didn&<#39;t >l<oad)
 > /audio
/speak

<p>,<s>

Элементы предложения и абзаца.

Чтобы узнать больше об элементах p и s , смотрите спецификацию W3 .

Пример 

<p><s>This is sentence one.</s><s>This is sentence two.</s></p>

Лучшие практики

  • Используйте теги <s>...</s> для переноса полных предложений, особенно если они содержат элементы SSML, изменяющие просодию (то есть <audio>, <break>, <emphasis>, <par>, <prosody>, <say-as>, <seq> и <sub>).
  • Если пауза в речи должна быть достаточно длинной, чтобы вы могли ее услышать, используйте теги <s>...</s> и поместите эту паузу между предложениями.

<sub>

Укажите, что текст в значении атрибута псевдонима заменяет содержащийся в нем текст для произношения.

Вы также можете использовать sub , чтобы обеспечить упрощенное произношение трудночитаемого слова. Последний пример ниже демонстрирует этот вариант использования на японском языке.

Подробнее о sub можно узнать в спецификации W3 .

Примеры 

<sub alias="World Wide Web Consor>tiu<m&qu>ot;W3C/sub
<sub alias="にっ>ぽんば<し&qu>ot;日本橋/sub

<mark>

Пустой элемент, который помещает маркер в текст или последовательность тегов. Его можно использовать для ссылки на определенное место в последовательности или для вставки маркера в выходной поток для асинхронного уведомления.

Подробнее об элементе mark смотрите в спецификации W3 .

Пример 

<speak>
Go from <mark name="h>ere"/< here, to mark nam>e="<there&>quot;/ there!
/speak

<prosody>

Используется для настройки высоты тона, скорости речи и объема текста, содержащегося в элементе. В настоящее время поддерживаются атрибуты rate , pitch » и volume .

Атрибуты rate и volume могут быть установлены в соответствии со спецификациями W3 . Существует три варианта установки значения атрибута pitch :

Атрибут Описание
name

Идентификатор строки для каждой метки.

Вариант Описание
Родственник Укажите относительное значение (например, «низкий», «средний», «высокий» и т. д.), где «средний» — это высота звука по умолчанию.
Полутона Увеличьте или уменьшите высоту звука на « N » полутонов, используя «+ N st» или «- N st» соответственно. Обратите внимание, что «+/-» и «st» являются обязательными.
Процент Увеличьте или уменьшите шаг на « N » процентов, используя «+ N %» или «- N %» соответственно. Обратите внимание, что «%» является обязательным, а «+/-» не является обязательным.

Подробнее об элементе prosody можно узнать в спецификации W3 .

Пример

В следующем примере элемент <prosody> используется для медленной речи на 2 полутона ниже обычного: 

<prosody rate="slow" pi>tch="-2st"<Can you >hear me now?/prosody

<emphasis>

Используется для добавления или удаления выделения из текста, содержащегося в элементе. Элемент <emphasis> изменяет речь аналогично <prosody> , но без необходимости устанавливать отдельные атрибуты речи.

Этот элемент поддерживает необязательный атрибут «уровень» со следующими допустимыми значениями:

  • strong
  • moderate
  • none
  • reduced

Подробнее об элементе emphasis см. в спецификации W3 .

Пример

В следующем примере для объявления используется элемент <emphasis> : 

<emphasis level="mode>rate"This is an important an<nouncemen>t/emphasis

<par>

Параллельный медиа-контейнер, позволяющий одновременно воспроизводить несколько медиа-элементов. Единственное разрешенное содержимое — это набор из одного или нескольких элементов <par> , <seq> и <media> . Порядок элементов <media> не имеет значения.

Если дочерний элемент не указывает другое время начала, неявное время начала для элемента такое же, как и для контейнера <par> . Если дочерний элемент имеет значение смещения, установленное для его атрибута начала или конца , смещение элемента будет относительно времени начала контейнера <par> . Для корневого элемента <par> атрибут начала игнорируется, и время начала наступает тогда, когда процесс синтеза речи SSML начинает генерировать выходные данные для корневого элемента <par> (т. е. фактически время «нулевое»).

Пример 

<speak>
  <par>
    <media xml:id="question" be>gin=&qu<ot;0.>5s"
      speakWho in<vented> the <Intern>et?/s<peak
    /media
    media xml:id="answer&q>uot; be<gin=&>quot;question.end+2.0s"
     < speak>The I<nterne>t was< invented by cats./speak
    /media
    media b>egin=&q<uot;answer.end-0.2s" soundLevel="-6dB"
      audio
   >     <src=&q>uot;h<ttps://actions.google.com/.../cartoon_boing.ogg"/
    /media
    media repea>tCount=<"3" soundLevel="+2.28dB"
      fadeInDur="2s&>quot;< fadeO>utD<ur=&>q<uot;0.>2s"
      audio
        src="https://actions.google.com/.../cat_purr_close.ogg"/
    /media
  /par
/speak

<seq>

Последовательный медиаконтейнер, позволяющий воспроизводить медиаэлементы один за другим. Единственное разрешенное содержимое — это набор из одного или нескольких элементов <seq> , <par> и <media> . Порядок медиа-элементов — это порядок, в котором они отображаются.

Атрибутам начала и конца дочерних элементов можно задать значения смещения (см. Спецификацию времени ниже). Значения смещения этих дочерних элементов будут относиться к концу предыдущего элемента в последовательности или, в случае первого элемента в последовательности, относительно начала его контейнера <seq> .

Пример 

<speak>
  <seq>
    <media begin=">0.5s&qu<ot;
 >     speakWho invented the< Inter>net?/<speak
>    /<media
    media be>gin=&qu<ot;2.>0s"
      speakThe Internet w<as inv>ented< by ca>ts./s<peak
    /media
    med>ia soun<dLevel="-6dB"
      audio
        src="https://actions>.goog<le.com>/.../<cartoon_boing.ogg"/
    /media
    media repeatCount="3" soundLeve>l="<;+2.28dB"
      fadeInDur="2s" fadeOutDur="0.2s&qu>ot;
 <     a>udi<o
  > <     s>rc="https://actions.google.com/.../cat_purr_close.ogg"/
    /media
  /seq
/speak

<media>

Представляет уровень мультимедиа внутри элемента <par> или <seq> . Разрешенным содержимым элемента <media> является элемент SSML <speak> или <audio> . В следующей таблице описаны допустимые атрибуты элемента <media> .

Атрибуты

Атрибут Необходимый По умолчанию Ценности
xml:идентификатор нет нет значения Уникальный идентификатор XML для этого элемента. Закодированные объекты не поддерживаются. Разрешенные значения идентификатора соответствуют регулярному выражению "([-_#]|\p{L}|\p{D})+" . См. XML-ID для получения дополнительной информации.
начинать нет 0 Время начала для этого медиаконтейнера. Игнорируется, если это корневой элемент медиаконтейнера (трактуется так же, как значение по умолчанию «0»). Допустимые строковые значения см. в разделе «Спецификация времени» ниже.
конец нет нет значения Спецификация времени окончания для этого медиаконтейнера. Допустимые строковые значения см. в разделе «Спецификация времени» ниже.
повторениеCount нет 1 Действительное число, указывающее, сколько раз вставлять носитель. Дробные повторения не поддерживаются, поэтому значение будет округлено до ближайшего целого числа. Ноль не является допустимым значением и поэтому считается неопределенным и в этом случае имеет значение по умолчанию.
Повторить Длительность нет нет значения Обозначение TimeDesignation , которое является ограничением продолжительности вставленного мультимедиа. Если продолжительность мультимедиа меньше этого значения, воспроизведение заканчивается в это время.
уровень звука нет +0 дБ Отрегулируйте уровень звука звука в децибелах soundLevel . Максимальный диапазон составляет +/-40 дБ, но фактический диапазон может быть меньше, а качество выходного сигнала может не дать хороших результатов во всем диапазоне.
FadeInDur нет 0 с Обозначение TimeDesignation , по которому медиафайлы будут плавно переходить от тихого к дополнительно указанному soundLevel . Если продолжительность мультимедиа меньше этого значения, постепенное появление прекратится в конце воспроизведения, и уровень звука не достигнет заданного уровня звука.
FadeOutDur нет 0 с Обозначение TimeDesignation , в течение которого медиафайлы будут постепенно исчезать по сравнению с необязательно указанным soundLevel , пока не наступит тишина. Если продолжительность мультимедиа меньше этого значения, для уровня звука устанавливается более низкое значение, чтобы обеспечить тишину в конце воспроизведения.

Указание времени

Спецификация времени, используемая для значения атрибутов `begin` и `end` элементов <media> и медиа-контейнеров (элементы <par> и <seq> ), представляет собой либо значение смещения (например, +2.5s ), либо значение базы синхронизации (например, foo_id.end-250ms ).

  • Значение смещения . Значение смещения по времени представляет собой значение SMIL Timecount, которое допускает значения, соответствующие регулярному выражению: "\s\*(+|-)?\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

    Первая строка цифр представляет собой целую часть десятичного числа, а вторая строка цифр представляет собой десятичную дробную часть. Знак по умолчанию (т.е. «(+|-)?») — «+». Единичные значения соответствуют часам, минутам, секундам и миллисекундам соответственно. По умолчанию используются единицы измерения «s» (секунды).

  • Значение базы синхронизации . Значение базы синхронизации — это значение базы синхронизации SMIL, которое допускает значения, соответствующие регулярному выражению: "([-_#]|\p{L}|\p{D})+\.(begin|end)\s\*(+|-)\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

    Цифры и единицы интерпретируются так же, как и значение смещения.

Симулятор ТТС

Консоль действий включает в себя симулятор TTS, который можно использовать для тестирования SSML с любым из вышеперечисленных элементов. Симулятор TTS можно найти в консоли в разделе «Симулятор» > «Аудио» . Введите текст и SSML в симуляторе и нажмите «Обновить и прослушать», чтобы услышать вывод TTS.

Вы также можете нажать кнопку загрузки, чтобы сохранить файл .mp3 с результатом TTS.