Записал голос на кухне — и загубил 37 озвучек для карточек. Разбор ошибок
Три ночи подряд я сидел перед таймлайном: 37 смонтированных роликов для карточек товара на Ozon и Wildberries, всё готово, кроме звука. И ни один нельзя выложить.
Озвучка была мусором.
Причина — идиотская. Мне было лень искать диктора, и я подумал: сейчас же любой сервис умеет клонировать голос онлайн, чего я мучаюсь? Взял телефон, поставил на столешницу, включил запись и три минуты читал текст про термокружку. На фоне гудела вытяжка, капал кран, а у соседей снизу кто-то сверлил бетон — с перерывами, но методично.
Послушал результат и... как будто человек читает сквозь жестяное ведро. Окончания глухие, дыхание рваное, а на словах «скидка только сегодня» снизу подмешивался тот самый гул.
Вставил в первый ролик. Десять секунд. Выключил.
Где именно я накосячил
Принцип клонирования голоса простой: модель вытаскивает из записи тембр, интонацию, манеру. Но всё это живёт только в чистом голосе.
Дай ей кашу из шумов — она не станет умнее и не вычленит лишнее. Она просто выучит вытяжку как часть тебя. И потом будет тащить её в каждую сгенерированную секунду.
Ошибка номер два: слишком короткий сэмпл. Три минуты двенадцать секунд, внутри — два покашливания и смешок. Данных мало, модель начинает угадывать. Отсюда то самое «вроде я, а вроде и не я» — голос знакомый, но подписываться под ним не хочется.
Ошибка номер три — самая глупая. Я не стал слушать. Я сразу нажал «сгенерировать всё» и получил 37 бракованных дорожек.
Первые две — техника. Третья — отношение. Никакой бесплатный синтез речи не спасёт человека, который не слушает то, что ему выдали.
Разбор: что именно сломалось
- Место записи: кухня, вытяжка включена, за окном стройка
- Микрофон: встроенный в телефон, 30 см от рта, ещё и в руке
- Длина сэмпла: 3:12, с кашлем и смехом
- Проверка: пропущена, сразу пакетная генерация
Ни одного пункта про «сервис плохой». Всё про меня.
Что я переделал
Первое — сменил точку. Забрался в шкаф, закрыл дверь, за спиной две куртки, телефон в авиарежим, до рта — кулак. Восемь минут ровным голосом без эмоций: «объём 500 мл, внутренняя колба 316-я сталь, держит тепло 12 часов». Скучно до зевоты — и именно поэтому хорошо.
Второе — поменял процесс. Больше не генерирую целиком. Режу текст по кадрам, куски по 5–8 секунд, и иду по одному. Почему? Потому что при генерации целого абзаца одна неверная интонация тянет за собой переделку всего. А с нарезкой меняешь только тот кусок, который не понравился.
С чистым сэмплом результат стал другим сразу. Клонирование голоса бесплатно выдало звук с нормальными окончаниями, и «цена по карте» больше не бубнило в бороду. Я даже завис на секунду: вот же он, я.
Кстати, за эти полгода я перепробовал кучу бесплатных версий клонеров. Где-то лимит по символам, где-то очередь, где-то после третьей генерации вылезает окно с апгрейдом. У VoxClone — без ограничений по объёму, по крайней мере я ни разу не наткнулся на счётчик. И синтез голоса без регистрации там же: не надо заводить аккаунт, вводить почту и ждать код ради двадцатисекундной дорожки. Открыл, вставил текст, забрал файл.
Сейчас я держу его как рабочий голосовой синтезатор онлайн. Текст готов — вставил — через пару секунд аудио. Не понравилось — поменял два слова и заново.
Меня часто спрашивают, насколько нейроозвучка отличается от живого диктора. Скажу честно: на перечислении характеристик — почти никак. А вот если нужна эмоция, азарт, «покупайте прямо сейчас» с надрывом — придётся руками править интонацию или звать человека. Text to speech на русском бесплатно убирает стоимость диктора, но не убирает стоимость решений. Где пауза, где ударение, где ускориться — это по-прежнему на тебе.
Про слово «бесплатно» — без розовых очков
Я вообще-то искал просто бесплатную озвучку текста на один вечер и был уверен, что «навсегда бесплатно» — это приманка на два запуска.
Полгода спустя: онлайн текст в речь работает без входа и без привязки номера. Для меня это до сих пор удивительно. API для синтеза речи тоже подключил — гоняю через него черновые версии коротких описаний, хватает.
Но бесплатное ≠ всесильное. Сервис не напишет за тебя текст, не подскажет, где запятая должна стать паузой, и не посмотрит на монтаж. Он делает ровно одно: превращает буквы в голос, похожий на человеческий. Остальное — твоя работа.
Если ты озвучиваешь пару роликов в месяц — бесплатного хватит с головой. Если у тебя, как у меня, десятки карточек в неделю — придётся завести нарезку, понятные имена файлов и папки по артикулам. Иначе через месяц ты сам не поймёшь, какая дорожка к какому товару. Часть своих грабель я записывал по ходу, похожие разборы лежат в разделе с материалами.
Ещё один момент, который стоит держать в голове: и озвучить аудиокнигу бесплатно, и сделать голос для видео нейросеть бесплатно — технически уже реально. Но если речь о коммерческом контенте, сначала читай условия сервиса, а не потом.
Частые вопросы
Если запись шумная, можно сначала убрать шум, а потом клонировать?
Немного — да, чуда — нет. Алгоритм не различает вытяжку и придыхание в твоём голосе: он режет всё, что похоже на шум, и вместе с ним уходят детали тембра. Проще переписать пять минут в тишине. Нет тишины — шкаф, закрытая дверь, куртки за спиной. Этот дедовский способ работает лучше половины плагинов.
Какой длины делать куски для озвучки карточек?
По кадрам, 5–8 секунд. Длиннее — не попадаешь ударением в монтаж. Короче — интонация рвётся на стыках. Нарезка и склейка дают куда больше свободы, чем одна длинная дорожка, и переделывать не жалко.
Можно ли использовать такой голос в коммерции?
Зависит от условий платформы и от того, чей голос ты клонируешь. Моё правило: только свой или тот, на который есть письменное разрешение. Никаких голосов блогеров, актёров и случайных файлов из интернета. Соблазн большой, но риск реальный. Тут без вариантов.
Сейчас мой конвейер выглядит так: восемь минут чистого сэмпла в шкафу → загрузка и клонировать свой голос → нарезка по кадрам → прослушивание каждой дорожки → подгонка в монтаже. Те 37 роликов я добил за два вечера.
Если ты как раз собираешься озвучивать товарные видео — не жми «сгенерировать всё». Потрать пять минут, найди тихий угол и запиши нормальный сэмпл. Это работает лучше любых настроек. Серьёзно: 37 выброшенных дорожек меня научили.