В среду, часов в одиннадцать вечера, Витя скинул мне голосовое. Восемь секунд. Женский голос спокойно читал описание товара, где-то на середине легко так вдохнул. Следом сообщение: «Это что, живой человек начитал?»

Нет. Это клонирование голоса бесплатно — я вбил текст, нажал кнопку, всё заняло меньше двух минут.

Витя помолчал. А потом спросил то, чего я вообще не ожидал: «А ты при экспорте MP3 или WAV выбирал?»

Вот честно — на этот вопрос отвечать сложнее, чем на «похоже на живого или нет».

Как мы вообще до форматов дошли

Витя занимается карточками на маркетплейсах, и ему нужно было начитать описания для партии товаров. Раньше он заказывал озвучку у фрилансеров — тридцать секунд за восемьсот рублей, правка ещё триста. Я показал ему, как работает текст в речь бесплатно, и он завис. Ни установки, ни регистрации, ни карты. Он трижды переспросил: «И это правда бесплатно и без ограничений?»

Я его понимаю. За последние годы я перепробовал, наверное, с десяток сервисов с надписью «синтез речи бесплатно» на главной. Почти все заканчивались одинаково: три бесплатные генерации, потом окно с подпиской, либо водяной знак прямо в аудио. А чтобы синтез голоса без регистрации и без счётчика символов — такое встречается редко.

Но когда человек садится делать сам, вылезают детали. Витя вставил текст, нажал «Скачать» и замер: два формата, MP3 и WAV. Он полез гуглить «text to speech на русском бесплатно», нашёл кучу статей, где все спорят про естественность голоса, а про формат — ни строчки. И в итоге ткнул наугад. Обидно: полчаса выбирал голос, а последний шаг сделал на автомате.

MP3 и WAV — разница не в «качестве»

Сначала уберём главное заблуждение.

WAV — это не «звук получше». Это звук, который вообще не сжимали. MP3 — не «плохой звук», это сжатие с потерями, но умное. Отношения примерно как у RAW и JPEG в фотографии: дело не в том, что одно лучше, а в том, для чего вам это нужно.

WAV хранит исходные сэмплы. Минута при 44,1 кГц / 16 бит — это примерно 10 МБ. Та же минута в MP3 на 128 кбит/с — около мегабайта, на 320 кбит/с — два с половиной.

Что вы получаете за лишние мегабайты? Возможность редактировать. Если аудио пойдёт в монтаж — шумодав, ускорение, сведение, склейка — WAV это выдержит. MP3 теряет качество при каждом пересжатии, и после третьего прохода шипящие начинают «лохматиться».

А если вы просто кидаете файл в короткое видео, в мессенджер или на сайт — эти 10 МБ чистый балласт. Платформа всё равно пережмёт по-своему, и вы только время потеряете.

Как это устроено у меня

За несколько лет выработался рефлекс:

  • Если файл идёт в монтаж — только WAV
  • Если отдаю заказчику или заливаю куда-то — MP3 320 кбит/с
  • Если не уверен — сохраняю WAV, а MP3 делаю потом

Третий пункт появился после одного случая. Сдал клиенту MP3, он попросил «сделать фон потише». Я взял тот же MP3 и полез резать — голос получился глухой, будто через подушку. Пришлось генерировать заново. С тех пор я не экономлю на исходнике.

Кстати, если вы делаете озвучку текста бесплатно для серии роликов, самый разумный подход — генерировать один раз и сохранять сразу в двух форматах. Сейчас, когда нейроозвучка бесплатно работает без лимитов, повторный прогон занимает секунды. Глупо рисковать качеством ради пары мегабайт на диске.

Отдельная история — если вы подключаете синтез к своему коду и гоните текст пачками. Тогда сохранять WAV на выходе нужно по умолчанию, потому что потом вы захотите накладывать эффекты, менять темп, склеивать дорожки. Привычка «хранить исходник в lossless» экономит гораздо больше времени, чем кажется.

Вопросы, которые мне задают постоянно

MP3 звучит «по-нейросетевому»?

Нет. Формат тут вообще ни при чём. Ощущение фальши возникает из-за странных пауз в тексте или несовпадения тембра и содержания — например, когда голосом диктора новостей читают шутливый текст про котиков. Современные решения для клонировать голос онлайн давно перешагнули стадию «сразу слышно робота». А разницу между MP3 и WAV на динамике телефона вы попросту не поймаете.

Для коротких видео WAV не слишком тяжёлый?

Слишком. VK Клипы, YouTube Shorts, Reels — все они имеют негласные лимиты на загрузку и в любом случае перекодируют ваш файл в AAC. Так что для вертикальных роликов спокойно берите MP3 и не мучайтесь.

Можно ли потом отредактировать готовый файл?

MP3 можно, но каждое сохранение забирает качество. Обрезать тишину в начале и конце — нормально. А если нужно менять скорость, тон или чистить шум — лучше вернуться на страницу клонировать свой голос и сгенерировать WAV заново. В этом и прелесть работы синтез голоса без регистрации — переделать можно сколько угодно раз, это ничего не стоит.

Что я в итоге сказал Вите

Совет был простой: сохрани всю партию описаний в WAV как архив, а для заказчика сделай MP3 320 кбит/с. Он не поверил: «Да кто вообще услышит разницу?» Никто, ответил я. Но когда через три месяца ты захочешь поправить текст и пересобрать дорожку — вот тогда ты вспомнишь про этот разговор.

Если вы сейчас сидите и думаете, какой формат выбрать, — не думайте. Возьмите любой текст на полминуты, прогоните через голосовой синтезатор онлайн дважды: один раз в MP3, один в WAV. Наденьте наушники, послушайте, потом закиньте оба в редактор и попробуйте что-нибудь порезать. Пять минут практики дадут больше, чем десять статей.

А если хочется сразу посмотреть, где я уже набил шишки, — загляните в другие материалы, там всё разложено по полочкам.