Вчера вечером я сидел на кухне с чашкой остывшего кофе и думал: а что, если моя следующая книга будет читать не я, а мой цифровой двойник?
Получилось так, что за пару часов я записал чистый образец, загрузил его на ru.web666.cc, запустил клонирование и к утру уже держал готовый mp3-файл, который прошёл модерацию на Яндекс.Книгах без единого замечания. Ниже — весь путь от «как бы это сделать» до «всё работает», с мелочами, о которых молчат инструкции.
Не торопись загружать первый попавшийся файл
Многие думают: включил диктофон, прочитал пару абзацев — и готово. На деле бесплатные модели гораздо капризнее платных: у них меньше «мозгов» на сглаживание артефактов. Поэтому я выделил полчаса на поиск идеального места. Ванная комната с плиткой — лучший бюджетный студия: звук не эхом ходит, а мягко гасится. Телефон на расстоянии 15–20 см от губ, режим «голосовой запись» без шумоподавления, темп — как у новостного диктора, около 200 слов в минуту. Читал не художественный текст, а сухую научно-популярную статью: чёткие паузы, ровная интонация, никаких «э-э-э» и вздохов.
Важный нюанс — специально приплющивал концы фраз, не поднимая тон. Если привычка тянуть окончания, нейросеть выучит это и будет «заикаться» на каждой точке в книге. После записи обрезал хвосты и вдохи встроенным редактором телефона, сохранил WAV (MP3 съедает высокие частоты, и голос получается «пластиковым»).
Первая загрузка на сайте — делим и властвуем
Открыл главную страницу ru.web666.cc, нажал на раздел клонирования голоса ru.web666.cc/clone. После быстрой регистрации (почта и пароль, никаких смс) появилась форма загрузки. Скрытый лайфхак: режь образец на три куска по 3–4 минуты. Длинный файл бесплатный движок ресэмплит, теряя тембр. Три части он обрабатывает отдельно, потом склеивает — получается объёмнее.
Генерация заняла минут семь. Не обновлял вкладку, пил чай. Когда появилась кнопка «Прослушать», ввёл тестовую фразу: «Привет, это тестовый голос». Слушал внимательно: звучит ли «Привет» чётко, нет ли носового налёта? Есть ли лёгкий шип на конце «голоса»? Если да — удалял самые тихие секунды в исходнике и загружал заново. Обычно на второй попытке всё садится идеально.
Текст в речь бесплатно — не копируй целиком
Самая частая ошибка: вставить весь роман в поле TTS и нажать «Сгенерировать». Нейросетка теряет контекст после 400–500 символов: ускоряется, глотает окончания, путает диалоги с авторским текстом. Поэтому я разбивал рукопись на два столбца: авторский текст и реплики персонажей. В поле ввода ru.web666.cc/dynamic ru.web666.cc/dynamic поддерживаются теги в квадратных скобках — [slow], [happy], [whisper]. Это недокументированная фишка, но она работает: модель меняет темп и тон по метке.
Каждый кусок — не более 500 знаков. Генерировал, скачивал, складывал в папку. Потом в CapCut (или Audacity, кому привычнее) склеивал по порядку, между фрагментами вставлял 0,3 секунды тишины — имитация естественного вдоха. Без этого переходы звучат как робот-сборка.
Добиваем «человечность» — слои и фон
Главный признак синтеза — слишком ровные паузы. Живой диктор делает паузу 0,5 с на запятой, 1 с на точке. AI ставит 0,2 везде. Решение: прогнал весь текст ещё раз через встроенный голосовой синтезатор онлайн с голосом «Тёплый мужской» (или «Уверенная женская»), не используя клон. Получил второй аудиослой — идеально ровный, с правильными паузами и лёгкими перехлестами дыхания.
Положил клоновый трек сверху, понизил его громкость до 70 %, а стандартный — до 10 %. При микшировании артефакты клонирования (лёгкий металлический оттенок в диапазоне 2–4 кГц) маскируются естественными шумами второго слоя. В итоге голос звучит как живой человек, записанный в небольшой комнате с лёгким ревербом.
Последний штрих — фоновый шум. Нашёл на YouTube бесплатный «Дождь за окном кафе» (Creative Commons), нормализовал до –30 дБ, подложил под весь трек. Этот белый шум полностью убирает «пластиковый» хвост, который любят ловить автомодераторы площадок. На Яндекс.Книгах и LitRes прошёл с первого раза, на VK Аудиокнигах — тоже.
Итог за один вечер
- Время записи образца: 30 мин
- Клонирование и тесты: 15 мин
- Разметка текста и генерация: 1,5 ч
- Сборка, микш, фон: 40 мин
Итого — около трёх часов чистого времени, плюс перерывы на кофе. Готовый час аудиокниги звучит достаточно профессионально, чтобы выложить на платформу и начать собирать прослушивания. Конечно, сложные эмоции — плач, сарказм, шепот — бесплатная модель не передаст идеально. Но для детективов, научно-популярки, истории или обучающих курсов этого более чем достаточно.
Если твой проект наберёт пару тысяч прослушиваний — тогда можно подумать о платном тарифе с расширенным набором эмоций и более длинным контекстом. А пока главное — закрыть цикл «текст → голос → публикация» и не застревать на идеализме. Попробуй сегодня же: запиши чистый образец, залей на ru.web666.cc, поиграй с тегами и услышь, как твоя книга начинает говорить за тебя.
P.S. Если вдруг застрянешь на этапе разметки — пиши в комментариях, скину свой шаблон таблицы для Google Docs, с которым я работаю. Удачи!