«Это что, живой человек начитывал?» — про озвучку видео для карточек товара

В четверг, без десяти двенадцать ночи, в Telegram прилетает сообщение от Димки. Одно предложение: «Слушай, а кто у тебя в ролике говорит?»

Ролик — тот, что я днём залил в карточку с термокружкой. Отвечаю: нейросеть. В ответ три вопросительных знака подряд. «Не может быть. Там же дыхание, там паузы. Это живой человек».

Честно говоря, я его понимаю. Года два назад я тоже возился с машинной озвучкой — получалось как объявление на вокзале: ровно, бодро и абсолютно мёртво. Ставить такое в видео про товар — верный способ потерять половину просмотров. Так что да, в тот момент я немножко собой гордился. Голос я сделал через клонирование голоса бесплатно — записал три минуты себя, а дальше все ролики за меня начитывает моя же цифровая копия.

Плохая озвучка убивает карточку быстрее, чем мутная картинка

Кто продаёт на маркетплейсах, тот знает этот набор: фото, инфографика, видео. Первые два можно вытянуть ретушью. А видео выдаёт тебя с первой секунды.

Я пересмотрел сотни чужих карточек. Картинка чистая, музыка подобрана, а как только начинается голос — всё, палец сам свайпает дальше. Потому что интонация ровная, как у навигатора, и каждое слово произнесено с одинаковым нажимом. Полторы секунды — и зритель ушёл.

При этом живой диктор — это дорого и долго. Тридцать секунд текста у нормального чтеца стоят от двух до пяти тысяч рублей, а правки идут отдельной строкой в счёте. Если у тебя магазин, который выдаёт по пять роликов в день, ты просто утонешь. Вот между этими двумя крайностями — дорогим человеком и деревянным роботом — и живёт нормальная нейроозвучка бесплатно.

Грабли, на которые я наступал

Скажу сразу: у бесплатного обычно дороже всего обходится твоё время.

Я перепробовал штук семь сервисов. Где-то написано «синтез речи бесплатно», заходишь — а там лимит на тридцать секунд, дальше подписка. Где-то требуют регистрацию, телефон, подтверждение личности — пока проходишь всю эту бюрократию, я уже ролик смонтировал. А один сервис вставлял в конец каждой фразы тихое «аудио предоставлено...». Спасибо, не надо.

Отдельная история — куда уходит твой образец голоса. Для меня это не абстракция: голос — это биометрия, и мне спокойнее, когда понятно, что с записью делают дальше. Поэтому я в итоге и остановился на сервисе, где можно клонировать свой голос без всей этой возни с аккаунтом.

Первый раз я заходил туда с внутренним скептиком. «Постоянно бесплатно» — ну да, конечно. А оказалось, что реально: открываешь страницу, загружаешь запись или наговариваешь прямо в браузере, ждёшь пару минут — и получаешь свой тембр. Синтез голоса без регистрации для меня не фишка, а необходимость: я часто правлю текст в офисе у клиента, сажусь за чужой компьютер, и заводить там аккаунт ради одной фразы — абсурд.

Логика простая. Даёшь сервису чистую запись — он снимает с неё тембр. Дальше кидаешь текст — и слышишь его своим голосом. Что меня удивило, так это то, что сервис делает text to speech на русском бесплатно и при этом нормально разбирается с окончаниями. «Что-то», «какой-нибудь», «двадцать три» — всё это читается по-человечески, а не по слогам, как в старых движках.

Как выглядит мой процесс сейчас

Четыре шага, ничего сложного:

  • Пишу текст под дыхание — одна фраза не длиннее двадцати слов
  • Закидываю в озвучка текста бесплатно, выбираю свой сохранённый голос
  • Скачиваю аудио, тащу в редактор, подгоняю под картинку
  • На ключевой фразе про выгоду вручную добавляю паузу в 0,2 секунды

Звучит банально, но дьявол в деталях.

Текст обязательно должен быть живым. Напишешь «изделие выполнено из пищевой нержавеющей стали марки 304» — и любой, даже самый лучший голосовой синтезатор онлайн, прочитает это как инструкцию к стиральной машине. Меняешь на «внутри нержавейка, чай не отдаёт железом» — и тот же тембр звучит совершенно иначе. Если тебе просто нужно послушать ритм текста, хватит и базового текст в речь бесплатно — этого достаточно, чтобы понять, где ты спотыкаешься.

Не жди результата с первого прогона. Я обычно делаю две-три версии и выбираю ту, где темп комфортнее. Благо платить поштучно не надо — можно экспериментировать сколько влезет.

И про запись. Первый раз я наговаривал в комнате — и вместе со мной сервис выучил гул холодильника и шум с улицы. В итоге в каждом слове появился лёгкий фон. Второй раз я залез в шкаф с одеялом — стало намного чище. Мелочь, а разница слышна сразу; кстати, в других материалах про это тоже писали.

Ещё один случай, который меня позабавил. Знакомый торгует кормом для кошек, а голос у него резкий, для этой ниши совсем не подходит. Он взял и опустил свой тембр на пару тонов, подмешал чуть-чуть голоса жены — получилось что-то среднее, тёплое. Ничьих прав не нарушил, а звучит живее любой синтетики. Ещё пару лет назад я бы не поверил, что такое можно сделать там, где синтез речи бесплатно.

Отдельно скажу про аудиокниги. Знакомая начитывает книги для самиздата и раньше убивала на это выходные. Теперь она сначала прогоняет главу через озвучить аудиокнигу бесплатно, слушает, где провисает ритм, правит текст — и только потом садится за микрофон. Время на запись сократилось почти вдвое.

Что спрашивают чаще всего

Сложно ли это? Я вообще не технарь

Нет. Правда нет. Не нужны ни видеокарта, ни код, ни понимание, что такое модель. Загружаешь минуту-три чистой речи — дальше всё делается само. Среди бесплатных сервисов, где можно клонировать голос онлайн, это самый короткий путь, который я видел: открыл браузер — и через десять минут у тебя рабочий голос.

Бесплатное однажды не станет платным?

Опасение разумное, и я его не отмахиваю. Поэтому делаю просто: исходники записи храню у себя на диске. Если сервис завтра изменится — я потрачу пятнадцать минут на переобучение у другого, и всё. Пока же за полгода использования я не упёрся ни в лимит по знакам, ни в ограничение по длине. Голос для видео нейросеть бесплатно — и это не маркетинговая строчка, а то, как оно работает у меня каждый день.

Синтезированное аудио можно ставить в карточку? Площадка не заблокирует?

Я ставлю — и пока ни одного предупреждения. Но тут важный нюанс: я использую свой собственный голос, то есть формально сам себе дал разрешение. Если ты клонируешь чужой тембр, без письменного согласия человека даже не начинай, это не та история, где можно «потом разобраться». Если дружишь с кодом, там есть и API — я пока не копал, но для массовой озвучки SKU это выглядит как очевидная экономия времени.

И что в итоге

Возвращаюсь к Димке. Я ему всё объяснил, он помолчал и спрашивает: «То есть я тоже могу своим голосом?»

Можешь, говорю. Заходи на https://ru.web666.cc/, потрать десять минут — и сам всё поймёшь. На следующее утро он прислал двадцатисекундный файл: его голос рассказывает про чай, который он возит из Краснодара. Довольный, как школьник.

Так что если ты сейчас сидишь и думаешь, искать ли диктора для роликов — не ищи. Запиши десять минут себя в тихой комнате и попробуй. Стоит это ноль рублей, а ошибиться там просто негде. Сложно не найти инструмент. Сложно переписать свой текст так, чтобы он звучал как речь, а не как выписка из сертификата.