Как записать референс для клонирования голоса, чтобы ИИ не звучал как робот
На прошлой неделе помогал другу озвучить промо-ролик для его небольшого магазина на Вайлдберриз. Он гордо показал мне запись, сделанную на смартфон в комнате с работающим кондиционером. Первые же секунды прослушивания — и я чуть не подавился чаем. Каждое слово было чётким, но в целом звучало как диктовка для стенографистки: никаких эмоций, никаких пауз, сплошной пулемётный текст. Я переписал референс заново — и результат стал совершенно другим.
Секрет, как вы уже догадались, не в самом бесплатном клонировании голоса, а в том, ЧТО вы загружаете в нейросеть. Качество синтеза на 80% зависит от референса. Рассказываю, где я наступил на грабли и что теперь делаю иначе.
Шум — главный враг живого звучания
Начну с того, о чём почти все забывают. Тихая комната — это ещё не гарантия чистоты. Вентилятор ноутбука, гул холодильника, шум улицы за окном — всё это записывается в референс и потом превращается в ту самую «пластиковую» окраску голоса. Я проверял: одна и та же фраза, записанная с лёгким фоновым гулом и без него, после клонирования даёт совершенно разный результат. Второй вариант звучит заметно живее.
В Audacity видно, как шум делает нижнюю часть волны «лохматой». Просто откройте запись и посмотрите на форму сигнала — если она не ровная, а с «ворсом», значит, есть шум. Убираем: выключаем всё, что гудит, телефон кладём на стол, а не в руку. Идеально — использовать петличку или динамический микрофон. Если ничего нет, можно почистить запись в том же Audacity, но не перестарайтесь с шумоподавлением — голос станет «ватным».
Ещё один момент — расстояние до микрофона. Я всегда ставлю его на расстоянии кулака от губ. Ближе — будут «пыхания» и свистящие согласные, дальше — появится эхо комнаты. И то и другое потом нейросеть превращает в эффект «разговора через подушку».
Паузы и интонация: учим ИИ дышать
Теперь о паузах. Живой человек дышит, думает, делает микро-паузы между фразами. Но когда я впервые записывал референс, то боялся тишины и читал текст как скороговорку. Результат — клон тараторил без остановки, как будто его завели. Пришлось переучиваться.
Сейчас я делаю так: на каждой запятой и точке — естественная пауза в 0,3–0,5 секунды. В конце предложения слегка понижаю тон. Нейросеть считывает эти границы и потом автоматически расставляет паузы в синтезе. Звучит совершенно по-человечески.
Интонация — второй ключевой момент. Хотите энергичный голос для рекламы? Записывайте референс с улыбкой в голосе. Нужен спокойный, уверенный тембр для аудиокниги? Говорите медленнее, ниже, без спешки. Не надейтесь, что потом «докрутите» эмоции в настройках — ИИ учится именно на манере речи, а не на ярлыке «радость».
Я как-то записал фразу с явной вопросительной интонацией — и после клонирования, когда я ввожу в текст в речь бесплатно вопросительное предложение, хвост фразы автоматически задирается вверх. Вот это и есть та самая «скрытая информация» в референсе.
Ещё совет: записывайте не с первого дубля. Первый всегда напряжённый, темп ускоряется. Я делаю три-четыре прохода и выбираю самый естественный.
Особенности для многоязычной озвучки
Если вы планируете клонировать голос и использовать его для озвучки на других языках — например, английском или казахском, — есть подводные камни. В референсе на русском не должно быть «аканья», «оканья» или диалектных особенностей. Иначе ИИ перенесёт их в целевой язык.
Я однажды записал референс с лёгким южно-русским «гэканьем», а потом попросил синтезировать текст на английском. Получилось нечто среднее между русским акцентом и «r» картавым. Пришлось перезаписывать с нейтральным литературным произношением.
Темп тоже важен. Для японского или итальянского — чуть быстрее, для немецкого — медленнее. Но не пытайтесь искусственно ускоряться или замедляться — ИИ уловит неестественность и будет говорить «рывками». Лучше записать в естественном для вас темпе, а в настройках синтезатора подправить скорость.
Кстати, если вы пользуетесь онлайн-синтезатором речи без регистрации, можно прямо в тексте расставлять знаки препинания, чтобы управлять паузами. Многоточие — длинная пауза, восклицательный знак — усиление. Это отлично комбинируется с паузами из референса.
На странице с уроками я нашёл лайфхак: для многоязычного клонирования лучше записать ДВА референса — один на русском, второй на целевом языке (хотя бы пару фраз). Тогда ИИ раздельно учит фонетику и ритм, и результат заметно чище.
Запись на телефон: можно, но с умом
Встроенный микрофон смартфона в тихой комнате — это реально рабочий вариант. Главное — не держать телефон в руке. Я делал так: ставил его горизонтально на стопку книг, экраном вверх, на расстоянии 20–25 см от рта. Звук чистый, без шорохов пальцев и дыхания.
Если есть возможность — купите петличку за 500–800 рублей. Разница в соотношении сигнал/шум — как небо и земля. Динамический микрофон тоже хорош: он не так чувствителен к фоновым шумам, что спасает, если дома не удаётся добиться полной тишины. А вот конденсаторный требует звуковой карты и поп-фильтра, иначе свистящие «с» и «з» испортят весь референс.
Минимальная обработка — максимум естественности
После записи не надо бросаться обрабатывать аудио. Я раньше сжимал в MP3 128 кбит/с, чтобы «облегчить файл». Потом узнал, что лучше сохранять WAV 44,1 кГц / 16 бит — нейросеть получает больше информации. Обрезка: только убрать длинные паузы в начале и конце и сделать нормализацию до −1 дБ. Всё.
Никаких компрессоров, эквалайзеров и «улучшайзеров голоса». Они сглаживают естественные микро-нюансы, дыхание, шёпот — и в итоге клон звучит как радиоведущий, а не как живой человек. А мы хотим наоборот.
Практический кейс: озвучка ролика для Telegram-канала
На днях делал озвучку 40-секундного ролика для своего канала про путешествия. Использовал только телефон и петличку за 700 рублей. Закрыл окно, выключил кондиционер, выпил тёплой воды. Разбил текст на 6 смысловых блоков, между ними — паузы по 0,5 секунды. Записал три дубля, выбрал самый расслабленный.
Потом импортировал в Audacity, сделал только нормализацию и загрузил в бесплатный клонер голоса. Первый результат был почти идеален, но в третьем блоке темп показался быстрым. Я добавил две запятые в тексте перед ключевыми словами и перегенерировал — интонация стала спокойнее.
Смонтировал, наложил музыку, выложил. В комментариях спросили: «Это реальный диктор?» — для меня это лучший комплимент.
Частые вопросы
Сколько должен длиться референс?
Минимум 2 минуты, оптимально — 5. Если короче, ИИ не успевает выучить интонационные паттерны. Я записываю 3–4 минуты, обязательно с разными типами предложений: утверждение, вопрос, восклицание. Это даёт модели полную картину.
Можно ли записать на телефон?
Да, но не через стандартное приложение диктофона — оно часто сжимает звук. Используйте «Диктофон» на iPhone или приложение типа RecForge на Android, выберите формат WAV или FLAC, частоту 44,1 кГц. Телефон положите на стол, а не держите в руке.
Клон всё равно звучит механически. Что делать?
Проверьте референс на шумы и паузы. Если всё чисто, попробуйте в бесплатном синтезаторе речи добавить больше знаков препинания и разбить текст на абзацы — так TTS будет обрабатывать фразы по частям. Ещё помогает писать сложные слова через дефис или с апострофом, например «кофе-брейк» или «sub-контракт», чтобы избежать неправильного слияния.
Последний шаг
Перед записью референса выключите вентилятор, налейте стакан воды и прочитайте вслух какой-нибудь эмоциональный текст — например, отрывок из новостей или пост из любимого блога. Прослушайте запись. Если звучит как разговор с другом — значит, можно использовать.
Зайдите на клонирование голоса без регистрации, загрузите референс и сгенерируйте пару фраз. Сравните с вашим обычным голосом. Удивитесь, насколько маленькая деталь — качественная запись — отделяет робота от живого человека. Попробуйте — и расскажите в комментариях, что получилось!