Нейросеть для озвучки текста: голос для видео, курса и подкаста

Главное:

• Нейросеть для озвучки текста читает не буквы, а разобранный текст: числа, аббревиатуры, ударения и паузы она достраивает сама.
• Голос подбирают под задачу: ровный и спокойный для курса, живой и разговорный для подкаста, плотный и быстрый для ролика.
• На минуту звучания уходит примерно 900–1000 знаков — так считают объём работы и стоимость заранее.
• Ошибки в ударениях и «ё» правятся в исходном тексте, а не в аудиоредакторе: переозвучить абзац дешевле, чем клеить дорожку.
• В каталоге IskraGen две модели озвучки: turbo от 5 ₽ за генерацию и multilingual v2 от 10 ₽, оплата рублями.

Нейросеть для озвучки текста нужна не сама по себе, а под конкретную работу: закадровый голос к ролику, урок онлайн-курса, выпуск подкаста. Задачи разные, и требования к голосу, к длине фрагмента и к формату файла тоже разные. Ниже — рабочий порядок действий: как устроен синтез, как выбрать голос, как подготовить текст, во что это обойдётся и что делать с готовой дорожкой.

Что делает нейросеть для озвучки текста с вашим текстом

Нейросеть для озвучки текста не читает буквы подряд: сначала она разбирает написанное на слова, числа и знаки препинания, и только потом собирает из этого звук. Понимание этого разбора экономит часы правок, потому что почти все дефекты озвучки рождаются на самом первом шаге, а слышны на последнем.

Документация SaluteSpeech описывает цепочку так. Сначала идёт нормализация текста: разворачиваются сокращения, числа и даты переводятся в словесную форму, добавляется буква «ё», расшифровываются аббревиатуры. Потом система разрешает омографы — слова, которые пишутся одинаково, а звучат по-разному, вроде «замок» и «замок». Дальше расставляются ударения по словарям и контекстным моделям. Только после этого текст сегментируется на синтагмы, между ними появляются паузы, и последним шагом выбирается просодия: высота тона, темп, тип интонации и смысловые акценты.

Отсюда следует простой вывод. Модель угадывает по контексту всё, что вы не написали явно: где ударение, где вдох, какое из двух чтений слова верное. Угадывает она хорошо, но не всегда — и чем короче фраза, тем меньше у неё контекста.

Насколько это тонкая настройка, видно по разбору обучения русского потокового синтеза на Хабре. Медианная пауза после точки там — 0,39 секунды, после вопросительного знака — 0,42, после запятой — 0,27. Эти доли секунды и создают ощущение живой речи: если их выровнять, голос сразу звучит как автоответчик.

Там же описан приём, до которого редко доходят руками: паузы нельзя заполнять цифровым нулём. Абсолютная тишина между фразами слышится как склейка, поэтому в паузу подмешивают синтетический комнатный шум с тем же спектром, что у тихих участков записи. Если вы будете сами резать и склеивать куски озвучки в редакторе, помните об этом — вставленная «идеальная тишина» выдаёт монтаж.

В каталоге IskraGen синтезом речи занимаются две модели: elevenlabs/text-to-speech-turbo-2-5 и elevenlabs/text-to-speech-multilingual-v2. Обеим отдают уже готовый текст, а всё описанное выше они делают внутри себя. Подробный разбор самого движка, его голосов и лимитов лежит в отдельном материале про ElevenLabs.

Как выбрать голос под ролик, онлайн-курс и подкаст

Голос выбирают не по красоте, а по формату: у ролика, урока и подкаста разная задача, разная длина и разное поведение слушателя. Один и тот же тембр, который отлично звучит в рекламной вставке, утомляет на сороковой минуте лекции. Нейросеть для озвучки текста обычно даёт на выбор десятки голосов, и перебирать их вслепую бессмысленно — сначала формат, потом тембр.

Короткий ролик. Здесь текста мало, а внимания у зрителя ещё меньше. Нужен плотный, энергичный голос с чёткими акцентами. Главная ловушка — попытка уместить слишком много: 200 слов в тридцатисекундный ролик превращают речь в скороговорку, и синтез слышно сразу. Лучше сократить текст, чем ускорять голос.

Онлайн-курс. Слушатель проводит с этим голосом часы, поэтому выразительность должна быть умеренной, а темп — ровным. Помогает выбрать один голос на весь курс и не менять его между модулями: смена тембра между уроками читается как смена преподавателя. Эмоциональные всплески в учебном материале только отвлекают от содержания.

Подкаст. Формат разговорный, и слишком гладкая дикция здесь мешает: она звучит как реклама, а не как беседа. Нужен живой голос с естественными перепадами темпа. Если ведущих двое, разводите их не только тембром, но и манерой: один говорит чуть быстрее, другой держит паузы длиннее.

Отдельная развилка — клонировать ли собственный голос. Мгновенное клонирование требует одной-двух минут записи, профессиональное — от тридцати минут чистой студийной записи. Для подкаста, где голос ведущего и есть бренд, вложение оправданно. Для служебного ролика проще взять готовый голос из библиотеки.

По моделям деление такое. elevenlabs/text-to-speech-turbo-2-5 от 5 ₽ за генерацию быстрее и дешевле — на нём удобно прогонять черновики, слушать варианты фраз и проверять, как читается сложный абзац. elevenlabs/text-to-speech-multilingual-v2 от 10 ₽ выразительнее, и финальную дорожку обычно собирают на нём. Практический сценарий: черновик всего сценария на turbo, чистовик — на multilingual v2.

Как звучит озвучка голоса нейросетью и почему она иногда всё-таки выдаёт себя роботом — отдельная большая тема, она разобрана в материале как создать голос нейросетью.

Как подготовить текст: длина фраз, ударения и произношение

Текст под синтез готовят иначе, чем текст для чтения глазами: то, что легко читается со страницы, часто спотыкается на озвучке. Правка исходника — самый дешёвый способ улучшить результат, потому что каждая перегенерация стоит денег и времени. Нейросеть для озвучки текста читает ровно то, что вы написали, поэтому большинство претензий к голосу закрывается в текстовом редакторе.

Длина фразы. Ориентир — 12–15 слов в предложении. Длинные периоды с деепричастными оборотами модель произносит на одном дыхании и теряет интонацию: слушатель перестаёт понимать, где заканчивается мысль. Разбейте сложное предложение на два простых, и голос сам расставит акценты правильно.

Ударения. Ударение задают прямо в тексте знаком «+» перед ударной гласной, и такая ручная разметка имеет приоритет над автоматической контекстной моделью. Размечать весь текст не нужно — только имена, фамилии, названия брендов, топонимы и омографы. Прогоните первый дубль, выпишите слова, которые прозвучали неверно, и разметьте только их.

Буква «ё». Пропущенная «ё» ломает произношение всерьёз: на 13,3 % обучающего корпуса модель училась говорить «мое» вместо «моё». Если в вашем тексте есть «все» в значении «всё» или «небо» рядом с «нёбо», ставьте точки. Это одна замена в редакторе и один спасённый дубль.

Мелочи, которые слышны. Односимвольные предлоги «в», «к», «с» синтез иногда читает как названия букв — этот дефект искажал ритм примерно на 40 % корпуса при обучении русской модели. Числа лучше писать прописью: «две тысячи двадцать шестой» вместо «2026», «пятнадцать процентов» вместо «15 %». Аббревиатуры, которые читаются по буквам, разносите дефисами или пишите так, как их произносят.

Пунктуация вместо разметки. Запятая, точка и тире для синтеза — это инструкции по паузам. Там, где нужна остановка подлиннее, ставьте точку, а не запятую. Там, где фраза должна прозвучать слитно, лишнюю запятую уберите. Часть сервисов дополнительно понимает SSML-разметку, которой пауза, темп и громкость задаются явно поверх обычного текста, но в большинстве рабочих случаев хватает грамотной пунктуации.

Отдельно проверьте текст на слух, а не глазами. Прочитайте абзац вслух сами: если вам не хватает воздуха до конца предложения, его не хватит и модели.

Шесть правок в исходном тексте, которые снимают большую часть претензий к озвучке.

Сколько стоит нейросеть для озвучки текста за час звучания

Нейросеть для озвучки текста считается по объёму работы, и объём легко прикинуть заранее: при обычном темпе на минуту звучания уходит примерно 900–1000 знаков текста. Дальше арифметика простая и одинаковая для любого сервиса.

Час готовой дорожки — это примерно 54–60 тысяч знаков, около 25 страниц. Выпуск подкаста на сорок минут — 36–40 тысяч знаков. Урок курса на двенадцать минут — примерно 11–12 тысяч знаков. Ролик на полторы минуты — около 1400 знаков, то есть половина страницы. Посчитайте свой сценарий в знаках до того, как выбирать модель: часто оказывается, что «большой проект» на деле занимает пару страниц.

В IskraGen озвучка тарифицируется за запуск генерации: elevenlabs/text-to-speech-turbo-2-5 — от 5 ₽, elevenlabs/text-to-speech-multilingual-v2 — от 10 ₽. Оплата идёт в рублях с российской карты или через СБП, зарубежная карта и подписка на иностранный сервис не нужны. Расход по каждой генерации виден в личном кабинете, поэтому стоимость курса или сезона подкаста складывается из понятных строк, а не из абстрактного пакета кредитов.

Отсюда и главный способ сэкономить: сокращать число дублей, а не искать модель подешевле. Вычитанный текст с разметкой ударений даёт годную дорожку с первого-второго запуска. Неподготовленный текст приходится гонять по пять раз, и дешёвая модель выходит дороже дорогой.

Работает ли нейросеть для озвучки текста бесплатно — да, но с оговорками. Бесплатные тарифы у сервисов синтеза обычно ограничены несколькими минутами в месяц и запрещают коммерческое использование: озвучить ими пробную фразу можно, выпустить курс или рекламный ролик — нет. Бесплатный лимит удобен ровно для одного — послушать, как звучат голоса, прежде чем платить.

Ещё один расход, о котором забывают, — время на монтаж. Если резать материал на куски по одному-двум абзацам, неудачный фрагмент переозвучивается за один запуск. Если гнать урок целиком, любая ошибка в середине означает перегенерацию всего урока.

Объём работы и цена запуска: как посчитать озвучку до того, как её заказывать.

Формат выгрузки и сборка готовой дорожки

Формат выбирают под следующий шаг: mp3 идёт на площадку, wav или pcm — в монтаж. Разница слышна не в самом файле, а после нескольких пересохранений: mp3 теряет качество на каждой перекодировке, wav — нет. Нейросеть для озвучки текста отдаёт файл сразу в нужном формате, если попросить его при генерации.

Синтез речи ElevenLabs отдаёт результат в mp3 с частотой 22 050, 24 000 или 44 100 Гц и битрейтом от 32 до 192 кбит/с, а также в wav и pcm с частотой от 8 000 до 48 000 Гц, в opus и в µ-law. Практический выбор такой: wav 44 100 Гц — если дорожку ещё резать, сводить с музыкой и подкладывать под видео; mp3 44 100 Гц, 128–192 кбит/с — если файл уходит на хостинг подкастов или прямо в видеоредактор без дальнейшей обработки. Для телефонной линии или голосового бота хватит форматов с низкой частотой, для контента они не годятся.

Сборка дорожки из кусков — отдельная аккуратная работа. Стыки между фрагментами проверяйте на слух, а не по волновой форме: глазами разрыв не виден. Не оставляйте между кусками абсолютную тишину — добавьте четверть-полсекунды комнатного шума или лёгкий фон, иначе склейка звучит как обрыв. Ориентируйтесь на естественные длительности: около 0,4 секунды после точки, около 0,27 — после запятой.

Для видео добавляется синхронизация. Разложите текст по смысловым блокам так, чтобы каждый блок соответствовал сцене, и подгоняйте не голос под картинку, а картинку под голос: ускоренная речь заметна сразу, а лишний кадр — нет. Субтитры делайте в любом случае — значительная часть аудитории смотрит без звука.

Фон тоже решает. Полностью сухая синтезированная речь в тишине звучит стерильно, поэтому под неё часто кладут тихую подложку — она маскирует мелкие артефакты, но не должна перекрывать голос. Если музыки нет, её можно сгенерировать там же: как это делается, разобрано в статье про нейросеть для создания музыки.

Последняя проверка — прослушать готовую дорожку на телефонном динамике, а не в наушниках. Именно так её услышит большинство зрителей, и именно там вылезают проблемы с темпом и разборчивостью, которых не слышно в студийных условиях. Нейросеть для озвучки текста снимает с вас запись и сведение, но приёмку результата по-прежнему делает человек.