Почему нейроозвучка для колл-центра звучит как робот из 2007-го? Разбираю свои косяки
В прошлом месяце помогал другу — у него небольшая кофейня в спальном районе, звонят постоянно: «Вы до скольки работаете?», «А доставка есть?». Решили сделать телефонного бота, я взял онлайн-инструмент, накидал текст, сгенерировал. Горжусь собой, включаю другу... Он слушает секунды три и спрашивает: «Это что, навигатор в машине говорит?»
Обидно, конечно. Тем более что инструмент обещал вполне живой синтез речи бесплатно. А на выходе — пластмасса. Пришлось неделю ковыряться, и вот что я понял: голос был нормальный. Кривые были руки. Точнее, подход.
Косяк первый: вставил текст как есть, без знаков препинания
Классика. Я скопировал скрипт целиком: «Здравствуйте спасибо за звонок нашей кофейни мы работаем каждый день с десяти утра до десяти вечера если вам нужно...» Мне-то понятно, где паузы. Машине — нет.
У синтезатора нет вашей способности додумывать. Запятые и точки для него — это ритм дыхания. Нет пунктуации — он читает сплошным потоком, как скороговорщик на ярмарке. Я разбил текст на короткие фразы, честно расставил запятые там, где реально сделал бы паузу, — и с тем же самым голосом запись зазвучала совершенно иначе.
Ещё момент, о котором все забывают: числа и единицы. Напишете «1000 мл» — машина может выдать «одна ноль ноль ноль эм эль». Пишите словами или в понятном формате: «один литр». Проверяйте каждую цифру отдельно, вслух.
Косяк второй: оставил настройки по умолчанию
Почти любой голосовой синтезатор онлайн выдаёт записи со стандартной скоростью и стандартной интонацией. Стабильно. И мёртво. А живой оператор говорит по-разному: приветствие — бодрее, информация об ошибке — медленнее и спокойнее.
Я поэкспериментировал на VoxClone: одна и та же фраза «Ваш заказ уже в пути» при скорости 1.05 и чуть приподнятой интонации зазвучала совсем по-другому — как будто человек, а не автоответчик. Менять нужно на копейки, проценты. Но разница в восприятии — огромная. Там же, в блоге, есть разборы параметров, мне они сильно помогли.
Косяк третий: выбрал «дикторский» голос для живого разговора
Вот это я вообще не ожидал от себя. Изначально взял самый поставленный, «телевизионный» тембр — думал, звучит солидно. А это телефонный разговор, не выпуск новостей. Дикторская подача на фразе «Здравствуйте, чем могу помочь?» звучит подозрительно, честное слово. Как будто сейчас предложат «выгодный кредит по звонку».
Для диалоговых сценариев нужен спокойный, тёплый голос, средне-медленный темп. И вот тут бонус: если платформа умеет клонировать голос онлайн, можно вообще записать минуту речи реального сотрудника — например, той самой девушки, которая обычно отвечает на звонки, — и получить её тембр. Клиенты слышат знакомый голос, а не безликого робота. Приятный момент: на VoxClone это работает через синтез голоса без регистрации — открыл страницу, загрузил, получил результат. Без почты, без подтверждений, без танцев с бубном.
Кстати, про данные. Я отдельно проверил: записи, которые я загружаю, не должны гулять по чужим серверам. Для российского рынка это чувствительная тема — мало ли куда уедет голос вашего сотрудника. Убедитесь, что сервис удаляет исходники или хотя бы не использует их непонятно как. Это не паранойя, это нормальный вопрос.
Косяк четвёртый: дал на клонирование двадцать секунд шума
Даже если вы решили клонировать свой голос, качество исходника решает всё. Первый раз я записал 20 секунд на кухне, пока друг принимал заказы на фоне. Результат — как разговор через стену.
Во второй раз я уже знал, что делать:
- тихая комната, 1–2 минуты записи, обычный темп речи, без «дикторства»
- живые интонации: «угу», «сейчас гляну», «минутку» — всё это золото для модели
- телефон в 20 сантиметрах от рта, не болтайте им туда-сюда
С нормальным исходником естественность клонированного голоса вырастает так, что вы сами не сразу отличите.
FAQ
Клонировать голос для бота — это вообще законно?
Свой голос — да, без вопросов. Чужой — только с письменного согласия человека. Использовать голос кого-то известного или знакомого без разрешения для бизнеса — не надо. Даже если «ну он же не узнает».
Бесплатные сервисы клонирования подходят для коммерческого использования?
Многие — вполне. Сервисы уровня VoxClone, где доступно клонирование голоса бесплатно, спокойно тянут короткие реплики для автоответчиков и справочных линий. Мой совет: прогоните десяток реальных фраз, послушайте на разных телефонах (динамик, трубка, гарнитура) и только потом подключайте к линии.
Нужно ли клонировать голос заново для каждой интонации?
Нет. Тембр клонируется один раз, а настроение задаётся текстом и параметрами: пунктуацией, скоростью, тоном. Вся магия — в подготовке скрипта, а не в повторных записях.
Вместо заключения
Синтезированный голос звучит фальшиво в семи случаях из десяти не из-за технологии, а из-за того, как ей пользуются. Что можно сделать прямо сегодня: запишите минуту чистой речи в тихой комнате, попробуйте бесплатное клонирование голоса, возьмите одну настоящую фразу из вашего скрипта и поиграйтесь со скоростью. Десять минут — и вы услышите разницу сами. А если фраз много и генерировать их по одной надоест, посмотрите в сторону бесплатного API для озвучки текста — для телефонии это спасение.
И последнее. Нейроозвучка бесплатно — инструмент, а не волшебство. Чем скучнее вы относитесь к деталям — запятым, паузам, темпу, — тем живее получается результат. Проверено на своей шкуре.