Как я неделю озвучивал дочке сказки бесплатным TTS — и споткнулся на двадцати секундах образца
В среду, часов в девять вечера, дочка притащила мне книжку про Кротика и сказала: «Пап, пусть сегодня телефон почитает. Ты же хрипишь».
Хрипел я не просто так — две недели подряд читал вслух, и горло взбунтовалось. Ладно, думаю. Попробую текст в речь.
Первый результат… Дочка послушала секунды две и вернула телефон: «Это не ты».
Голос был мой. И не мой одновременно. Как будто я зачитываю протокол совещания — и делаю это через маску.
Дело не в сервисе, а в образце
Сначала я взял первый попавшийся бесплатный синтезатор речи — с регистрацией, подтверждением по телефону. Загрузил в него голосовое из мессенджера: тридцать секунд, я говорю «слушай, давай завтра посмотрим тот проект». На выходе — гладко, правильно и абсолютно мертво. Как диктор, который вчера закончил курсы.
Потом до меня дошло. Голосовое сообщение сжато, частота срезана, поверх — эхо и шум. Скармливать такое модели — всё равно что просить нарисовать портрет по расфокусированному фото.
Вот она, разница между «попробовал» и «получилось». Все смотрят на параметры модели, а решают те самые двадцать секунд.
Я перезаписал образец и прогнал его через клонирование голоса бесплатно — та же модель, а результат не узнать.
Как записать образец, чтобы не вышло роботом
Синтез речи бесплатно — штука, где я ожидал подвоха в модели, а спотыкался на материале. Возвращался к записи четыре раза. Разберу по пунктам.
Не записывайте в комнате. В комнате гудит холодильник, за окном проезжают машины — ухо это отфильтровывает, микрофон нет. Я в итоге залез в шкаф. Одежда работает как звукоизоляция, эффект неожиданно хороший. Нет шкафа — соорудите шалаш из одеяла и залезьте туда с телефоном.
Пятнадцать–тридцать секунд, не больше. Короткий фрагмент — модель не поймает тембр. Длинный — в него залезет всё: покашливание, шелест страницы. Однажды я записал почти две минуты, и потом в каждой синтезированной фразе слышался мой вдох перед кашлем. Жутковато, честно.
Не читайте текст. Самое неочевидное. Начнёте декламировать «Мороз и солнце» — получите диктора. Говорите обычное: «Что будем на ужин, в холодильнике ещё полкоробки клубники, пропадёт ведь». Нормальный темп, живая интонация, можно даже улыбнуться. Модель учится тому, как вы говорите, а не как читаете.
Микрофон на расстоянии кулака, чуть под углом. Вплотную — будут взрывные звуки. Далеко — поймает отражения от стен.
Запишите три дубля и выберите лучший. Звучит муторно, на деле пять минут. У меня теперь привычка: сижу в шкафу, говорю три разных куска, потом слушаю и беру тот, где я «как обычно рассказываю сказку».
И ещё мелочь: перед записью выпейте тёплой воды, не ледяной. Когда горло зажато, голос плывёт — и это тоже запишется.
Кстати, онлайн-синтез речи я взял без регистрации — открыл и работаешь. Для меня это принципиально: я бросаю формы на середине. Синтез голоса без регистрации — то, что я раньше недооценивал, пока подруга не захотела попробовать и не застряла на подтверждении почты. И да, заявлено как бессрочно бесплатный — за неделю в лимиты я не уткнулся. Безлимитный текст в речь критичен, если делаешь длинные истории: одна сказка — это две-три тысячи знаков, сервисы с ограничением просто не тянут.
Как это выглядело на практике
В понедельник вечером я отобрал три книжки и перепечатал их в заметки. По ходу дела сделал несколько вещей:
- цифры — прописью: «3 поросёнка» → «три поросёнка», иначе прочитает как «three»
- длинные фразы разбил, запятые и точки — по дыханию, пунктуация и есть пауза
- сложные слова и омографы проверил заранее: «замок» и «замок» — ошибётся, ребёнок поправит
Потом синтез, прослушивание, не понравилось — вернулся к пунктуации. Первые два вечера возился, с третьего пошло: образец зафиксирован, дальше только текст. Нейроозвучка бесплатно отрабатывает за секунды, время уходит на правку.
Честно, года два назад я бы не поверил, что озвучка текста бесплатно может звучать так. Думал — либо триал на три дня, либо каша. Сейчас бесплатная нейроозвучка дотягивает до уровня, который я бы не постеснялся поставить в подкаст. Была мысль: когда дочка подрастёт, прикрутить API и сделать бота, который сам читает… но это отдельная яма, не сегодня.
Да, и про грабли. Один сервис обещал клонировать голос онлайн бесплатно, а на деле бесплатно — только минута, дальше очередь. Меня заклинило на середине, дочка рядом ждёт. Неприятно. Поэтому прежде чем клонировать свой голос, посмотрите, нет ли где-то шлагбаума. Платформ с бесплатным клонированием хватает, но почти каждая где-нибудь ставит лимит.
Если гуглить «голосовой синтезатор онлайн», вылезут десятки ссылок, и запрос text to speech на русском бесплатно тоже выдаст гору вариантов. Разница между ними выясняется на второй минуте работы, а не на лендинге. И отдельно: голос для видео нейросеть бесплатно — это уже другая задача, там важна не столько интонация, сколько попадание в тайминг. Для сказок тайминг не критичен, а вот для роликов на YouTube или VK Видео — ещё как.
FAQ
Сколько секунд образца достаточно?
Пятнадцать–тридцать. По моему опыту, около двадцати — самое надёжное. Меньше десяти — тембр плавает. Больше минуты — резко растёт шанс, что в модель залезет шум. Если тихого места нет, лучше взять короткий, но чистый фрагмент.
Хватит ли микрофона в телефоне?
Хватит. У меня аппарат трёхлетней давности, на слух разницы с внешним микрофоном я не поймал. Решает обстановка, а не железо. В шкафу с телефоном выйдет лучше, чем в комнате с профессиональным микрофоном.
Можно ли клонировать голос ребёнка?
Технически — да. Я бы не стал. Голос у детей ещё меняется, тембр нестабильный, качественный образец получить сложно. И потом, слушать сказку «своим» голосом ребёнку — как-то странно. Мне ближе мой собственный, пусть и не идеальный.
Ещё про данные. Для меня важно, где хранятся записи: голос — это фактически биометрия. Если сервис невнятно отвечает на этот вопрос, я просто закрываю вкладку. Тут лучше перебдеть.
Если хочется сначала посмотреть, как это делают другие, в больше руководств есть разборы — я пролистал пару, список грабель там написан честно.
Что я делаю теперь
В воскресенье вечером — двадцать минут, синтезирую пять сказок на неделю, складываю в папку. Дочка выбирает сама. Когда горло в порядке, читаю сам: машина этого не заменит.
Но в вечер с ангиной история не прерывается.
Если хотите попробовать — не начинайте с длинных текстов. Запишите двадцать секунд, синтезируйте одну фразу и послушайте: похоже на вас? Похоже — идите дальше. Нет — вернитесь в шкаф. Это десять минут, но они определяют всё остальное.