Как сделать голос в колл-центре живым, а не роботским
Помню, как звонил в поддержку одного крупного банка. Вместо живого человека — «Нажмите один, чтобы узнать баланс». Голос такой, будто записали на старую кассету и ускорили в два раза. Я даже не успел сообразить, что нажимать, и сбросил вызов. В этот момент до меня дошло: голос в автоответчике — это лицо компании. Если он звучит как робот, доверие пропадает ещё до того, с тобой заговорит оператор.
Раньше я был уверен, что клонирование голоса бесплатно — это доступно только крупным студиям или разработчикам из Силиконовой долины. Потом попробовал один сервис для текста в речь бесплатно, и моё отношение изменилось. У меня лежала тридцатисекундная заготовка: записал на диктофон в пустой переговорке, фон почти не шумит, речь размеренная. Загрузил её в клонер, и через пару минут получил модель, которая повторяет мой тембр почти один в один. Теперь все подсказки IVR звучат едино, и я не боюсь, что клиент услышит «металлический» оттенок.
Для меня было важно ещё и то, где хранятся мои записи. Я не хочу, чтобы мой голос уехал на серверы в другую страну. Перед тем как загружать заготовку, я покопался в настройках и убедился, что всё остаётся в рамках, которые меня устраивают. Это не мешает пользоваться текст в речь бесплатно и другими функциями в любое время.
Короткие видео: пятнадцать секунд на первое впечатление
В клипах для VK или коротких роликах на Rutube время считается по секундам. Пятнадцать секунд — и нужно уложить название бренда, суть предложения и призыв к действию, при этом не звучав как диктор из девяностых. Сам пробовал диктовать текст в телефон, но всегда где-то в конце задыхался или забывал интонацию. Переделывал по три-четыре раза, а всё равно получалось как читка с листа.
Попробовал отправить свою заготовку в голосовой синтезатор онлайн. Результат поразил: программа подхватила мою манеру говорить, паузы, даже лёгкое дыхание между фразами. Теперь для озвучки видео я использую text to speech на русском бесплатно, и никаких лимитов по символам — хоть сто вариантов текста прогоняй, хоть тысячу. Это настоящий голос для видео нейросеть бесплатно, который не надо каждый раз перезаписывать в студии.
Подкаст: две минуты, чтобы превратить незнакомца в постоянного слушателя
Открытие подкаста — совсем другая история. Здесь не нужно спешить, но нужно завоевать доверие. Голос должен быть тёплым, темп — размеренным, а между фразами должен оставаться воздух. Я записывал вступление несколько раз, но получалось либо слишком официально, как по телевидению, либо слишком расслабленно, как голосовое сообщение другу. Золотая середина не находилась.
Загрузил ту же тридцатисекундную заготовку в нейроозвучка бесплатно. ИИ не просто скопировал голос, он сохранил мою легкую хрипоту и даже тихий смешок в конце фразы. К тому же можно менять скорость и высоту тона, разбить две минуты на десятки фрагментов и заменить одну фразу, не перезаписывая весь блок. Теперь перед каждым выпуском я только правлю текст и нажимаю «сгенерировать».
Я выкладываю подкасты на Яндекс.Дзен и в свою группу ВКонтакте, и подписчики уже заметили: голос стал узнаваемым. Думал даже озвучить аудиокнигу бесплатно с помощью того же инструмента, но пока оставил эту идею на потом.
Главная боль: один бренд, один голос
Независимо от того, пятнадцать секунд это реклама в соцсетях, двухминутное вступление подкаста или десятки веток в автоответчике, проблема одна: клиент должен слышать одного и того же человека. Если тембр скачет, темп то ускоряется, то замедляется, возникает ощущение непрофессионализма. Раньше любая правка означала новую запись, новую аренду студии, новые затраты.
С синтез речи бесплатно всё иначе. Одна качественная заготовка — и все последующие тексты рождаются в одной модели. Тембр, интонация, эмоции под контролем. К тому же озвучка текста бесплатно без ограничений по объёму: можно сгенерировать сотни подсказок для колл-центра и не беспокоиться о лимитах. Это и есть то самое «один раз клонировал — везде используешь».
Как я настраивал IVR своими руками
Сначала нашёл тихое место, записал тридцать секунд чистого голоса. Желательно, чтобы были и высокие, и низкие ноты, и паузы, и естественное дыхание. Загрузил на страницу клонирования, система построила модель минут за пять.
Затем собрал все фразы автоответчика по иерархии, вставил в панель, поставил галочку «сохранить тембр» и запустил пакетную генерацию. Полученные wav-файлы спокойно заливаются в телефонный шлюз.
И в конце подключил API через голосовой синтезатор онлайн, чтобы при изменении скрипта файл пересобирался автоматически. Администраторам больше не нужно ночью лезть в настройки телефонии.
Самое приятное: этот синтез голоса без регистрации и без платных тарифов. Модель остаётся в доступе навсегда, неограниченное число запусков, нет очередей. Если ваш IVR всё ещё звучит как старый магнитофон, загляните на страницу клонировать свой голос и попробуйте сами.
Частые вопросы
Можно ли использовать сгенерированный голос в телефонной системе?
Да. Сервис отдаёт стандартные wav 16 кГц и 8 кГц, которые подходят большинству шлюзов IVR. Скачал, заменил старый файл — и готово.
Уедет ли тембр со временем?
Нет. Как только модель обучена, она фиксируется. Пока вы не загрузите новую заготовку, каждый файл будет звучать одинаково: тот же тембр, тот же темп, те же эмоции.
Есть ли ограничения по количеству символов или вызовов?
Нет. Это озвучить аудиокнигу бесплатно и без лимитов: ни на длину одного текста, ни на число генераций в день. Можно гонять сколько угодно.
Не заставляйте клиентов слышать робота
В следующий раз, когда будете добавлять подсказки в автоответчик, просто закиньте тридцатисекундную заготовку в клонер. Пять минут — и новая голосовая менюшка в эфире, тестировать даже не нужно. Хотите, чтобы «голос бренда» был везде одинаковым? Загляните в раздел уроки по синтезу речи и посмотрите, как это делается на практике. Уши подскажут, что правильно.