Как я озвучил дочкины сказки на ночь: неделя с бесплатным TTS и грабли с референсным аудио
В среду, в половине десятого вечера, дочка притащила мне «Сказку о глупом мышонке» и заявила: «Пап, у тебя голос сел, пусть телефон почитает».
Голос у меня действительно сел. Я читал ей вслух две недели подряд, и к среде горло уже откровенно саботировало. Ладно, подумал я, попробую текст в речь. Двадцать первый век на дворе.
Первый результат... как бы помягче. Она послушала секунды две, вернула мне телефон и вынесла вердикт: «Это не ты».
Это был мой голос. Но не мой. Как будто я читаю протокол совещания — и делаю это через маску.
Проблема не в сервисе, а в референсном аудио
Сначала я взял первый попавшийся бесплатный синтезатор — тот, где надо зарегистрироваться и привязать номер. В качестве референса загрузил голосовое из Telegram: тридцать секунд, я говорю «слушай, давай завтра посмотрим, я уже не соображаю».
На выходе — идеальная дикция и ноль эмоций. Этакий стажёр после курсов техники речи.
Потом до меня дошло: голосовое в мессенджере сжато, там низкий битрейт, эхо, шум кухни. Скармливать это модели — всё равно что просить художника написать портрет по расфокусированному фото.
Я перезаписал референс и прогнал через бесплатное клонирование голоса — та же модель, а результат как будто из другой жизни.
Как записать референс, чтобы голос не звучал как робот
Тут хочу остановиться подробно, потому что сам переделывал четыре раза.
Не записывайте в комнате. В комнате гудит холодильник, за окном кто-то глушит машину, у соседей ремонт. Ухо всё это отфильтровывает, микрофон — нет. Я в итоге залез в шкаф с куртками. Ткань гасит отражения, эффект неожиданно отличный. Нет шкафа — стройте домик из одеяла и говорите внутрь.
Пятнадцать–тридцать секунд, не больше. Слишком коротко — модель не поймает тембр. Слишком длинно — в обучение попадёт каждый кашель и шелест страницы. Один раз я записал почти две минуты, и потом в конце каждой фразы синтез выдавал моё покашливание. Жутковато, скажу честно.
Не читайте по бумаге. Самое контринтуитивное правило. Начнёте декламировать «Мороз и солнце; день чудесный» — получите диктора из телевизора. Говорите обычными словами: «Что будем есть, в холодильнике ещё полкоробки клубники, пропадёт же». Нормальный темп, чуть эмоции, можно даже усмехнуться. Модель учится тому, как вы говорите, а не тому, как вы читаете.
Микрофон — на расстоянии кулака, под углом градусов сорок пять. Вплотную поймаете взрывные «п» и «б». Далеко — соберёте всю акустику комнаты.
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 выбираю тот, где я — это я.
И ещё мелочь: перед записью выпейте тёплой воды, не холодной. На напряжённом горле голос плывёт, и это тоже впечатается в модель.
Кстати, про инструмент. Я всю неделю пользовался онлайн-синтезом речи — там не надо регистрироваться, открыл и работаешь. Для меня это оказалось важнее, чем я думал: я бросал регистрацию на середине уже раза три на разных сайтах. Подруга хотела попробовать — и тоже застряла на форме. А тут ещё и без лимитов по знакам, что для длинных текстов критично: одна сказка — это две-три тысячи знаков, сервисы со счётчиком выдыхаются на второй странице.
Мой реальный процесс за неделю
В понедельник вечером я выгрузил в заметки три книжки и сделал с текстом несколько вещей:
- Развернул цифры словами: «3 поросёнка» → «три поросёнка», иначе синтез читает «three»
- Разбил длинные предложения, расставил запятые по дыханию — знаки препинания здесь и есть паузы
- Проверил ударения. Вот это чисто наша боль: за́мок и замо́к, му́ка и мука́, Ива́ново и Ивано́во. Ошибётся — ребёнок поправит немедленно, и авторитет рассказчика рухнет
Дальше — синтез, прослушивание, правка пунктуации. Первые два вечера я возился, на третий пошло гладко: референс уже зафиксирован, осталась только работа с текстом. Клонировать голос онлайн — это секунды, реальное время уходит на редактуру.
Честно: года два назад я бы не поверил, что бесплатная нейроозвучка будет звучать вот так. Тогда это были либо «три дня триала», либо каша из звуков. Сейчас — вполне рабочий инструмент. Я уже прикидываю, не сделать ли из этого озвучку для ролика на Rutube, потому что голос для видео нейросеть бесплатно — это ровно то, чего мне не хватало для коротких обзоров.
Отдельно про данные, раз уж мы в России. Голос — это, по сути, биометрия, и я перед загрузкой смотрю, где сервис хранит записи и что написано в условиях. У разных площадок тут всё по-разному, так что читайте перед тем, как клонировать свой голос, — это не паранойя, это просто здравый смысл.
И про грабли. Один сервис бодро обещал бесплатный клон, а на деле давал минуту синтеза, дальше — очередь. Я застрял на середине текста, дочка сидела рядом и ждала. Неловко. Поэтому первым делом смотрите, есть ли лимит по знакам, а не на красивую надпись на главной.
FAQ: что спрашивают чаще всего
Сколько секунд референса реально нужно?
Пятнадцать–тридцать, оптимум около двадцати. Меньше десяти — тембр начинает плавать. Больше минуты — резко растёт шанс затащить в модель шум. Если тихого места нет совсем, лучше короткий, но чистый кусок, чем длинный и грязный.
Хватит ли микрофона в телефоне?
Хватит. У меня телефон трёхлетней давности, и на слух я не отличаю запись с него от записи с внешнего микрофона. Всё решает обстановка, а не железо. В шкафу на телефон получится лучше, чем в комнате на студийную петличку.
Можно ли клонировать голос ребёнка? Хотелось бы версию «сказка от самого себя»
Технически — да. Я бы не стал. Детский голос ещё меняется, тембр нестабилен, качественный референс собрать сложно. И потом... не знаю, как объяснить. Слушать сказку голосом самого себя — это немного странно. Мне ближе мой собственный голос, пусть и неидеальный.
Если хочется посмотреть, как это делают другие, в разделе с примерами и разборами я нашёл несколько вполне честных историй — со списком того, что не сработало.
Как это выглядит сейчас
Теперь по воскресеньям я трачу двадцать минут: синтезирую пять сказок на неделю вперёд и складываю в отдельную папку. Дочка выбирает, что слушать, и жмёт play сама. Когда горло в порядке — читаю сам, никакая машина это не заменит.
Но в те вечера, когда горло не в порядке, сказка всё равно звучит.
Если хотите попробовать — не начинайте с большого текста. Запишите двадцать секунд референса и синтезируйте одну фразу. Похоже на вас? Идите дальше. Не похоже? Возвращайтесь в шкаф и перезаписывайте. Десять минут работы, которые определяют вообще всё остальное.