Сделал IVR для офиса через бесплатный клон голоса — два раза облажался, прежде чем получилось
На прошлой неделе шеф вручил мне задачку: заменить роботизированный голос в нашей телефонной линии на что-то человеческое. Типа, тёплое, ламповое, чтобы клиент не вздрагивал. Я подумал — да легко, найду бесплатное клонирование голоса, запишу пару фраз, и пусть нейросеть учится.
В итоге первый же день выбил меня из колеи.
Первый заход: думал, ИИ — магия, а получил голос из хоррора
Открыл онлайн-клонирование голоса, интерфейс чистенький, регистрации нет — сразу загружай аудио. Я взял запись своего разговора с клиентом, секунд двадцать, с лёгкой хрипотцой и кучей «э-э», «ну». Решил, что так естественнее.
Клонировал, вбил первую фразу IVR: «Здравствуйте, спасибо, что позвонили в нашу компанию. Для связи с оператором нажмите один, для справок — два».
Воспроизвёл... Ну, это звучало, будто я три дня болел, не пил таблеток, и меня ещё придушили. Каждое слово растянуто, в ушах какой-то электронный гул. Я чуть не выключил комп.
Потом дошло: в той записи полно шума, пауз, слюней. ИИ не понял, где я, а где мусор — взял всё подряд. И получилась чертовщина.
Второй заход: стал умнее, но чуть не повелся на «вечно бесплатно»
Второй раз я нашёл тихую комнату, записал на телефон всего пять секунд — одну фразу: «Здравствуйте, спасибо за звонок».
Стало чище, но тут вылезла другая беда: текст в речь бесплатно синтезировал мои слова так, будто я читаю прогноз погоды. Интонации ноль, всё плоско.
Я уже начал сомневаться, а работает ли бесплатный клон голоса вообще. Но решил — раз без регистрации, можно экспериментировать сколько влезет.
Как записать нормально? Все грабли — сюда
Материал: не длина, а чистота
Понял главное: для клонирования нужно 5–10 секунд, но чтобы запись была кристальной. Никакого эха, фоновой музыки, чужих голосов.
Второй провал случился из-за того, что телефон лежал на столе, а я сидел в полуметре — в запись попал стук клавиатуры. Потом я поставил телефон на подставку, приблизил рот сантиметров на десять, записал через диктофон в мессенджере — и разница была колоссальная.
Текст: режьте на короткие фразы
IVR — это не разговор в курилке. Клиент должен понять с первого раза. Поэтому не пишите «Для получения информации о услугах нажмите три, в экстренных случаях — девять». Лучше разбить: «Для справок — нажмите три. Если срочно — девять».
Так нейросеть ставит паузы естественнее, и голос звучит как человеческий.
Мелочь, которую все игнорируют: скорость и тон
Думаете, клонировал голос — и можно просто печатать текст? Ага, щас. В третий раз я заметил в синтезаторе речи онлайн ползунки «темп» и «тон» — по умолчанию ноль. Я их не трогал, и голос нёсся как электричка, без единой паузы.
Поставил темп на −2, тон чуть ниже — стало похоже на живую речь. И ещё: если хотите «тёплый» вайб, не ждите, что ИИ сам добавит эмоций. Вставляйте в текст «ну», «так», «хорошо» — или просто ставьте запятые. Я после «Здравствуйте» поставил запятую — и на выходе появился лёгкий вдох. Куда приятнее, чем сухое «Здравствуйте».
Склейка: не ленитесь, делайте по кусочкам
Мой финальный метод — тупой, но рабочий. Разбил весь IVR-скрипт на семь-восемь коротких фраз, каждую отдельно сгенерил через бесплатную нейроозвучку, потом склеил в видеоредакторе.
Почему так? Если синтезировать длинный абзац, ИИ начинает тянуть звуки между предложениями и путает ударения. А по отдельности — каждая фраза живёт своей жизнью, паузы и интонации под контролем. При склейке я оставлял по 0.3 секунды тишины между фразами — и это звучало как естественное дыхание.
Я пробовал и функцию озвучки текста целиком — но результат хуже. Так что, если есть время, не халтурьте — склейка реально даёт другой уровень.
Как я в итоге решил задачу
На третий раз записал 8 секунд: «Здравствуйте, спасибо за звонок». Клонировал, разбил скрипт на куски, сгенерил каждый через бесплатный онлайн-синтез речи, склеил.
Результат? Электронный привкус всё же остался, но уже похоже на человека. Показал коллегам — одна девушка сказала: «Ой, а голос как у моего брата». Я чуть не прослезился.
Про «бесплатно» — отдельная песня
Бесплатных инструментов для клонирования голоса много, но почти все либо режут по количеству попыток, либо лепят водяной знак. VoxClone — реально без регистрации и без лимитов, но генерация идёт в очереди — я ждал минуты две.
Для мелкой компании, которой надо один раз сделать IVR, — то, что надо. Не надо платить студии звукозаписи и осваивать Pro Tools. Терпение — и всё получится.
А можно этим голосом петь?
Я попробовал клонировать голос для песни — звучало как мой сосед в душе, который думает, что он Басков. Для IVR — норм, для каверов на Шамана — не стоит.
Лайфхак: сначала «базовый» голос, потом клон
Если запись всё равно грязная, есть обходной путь: сначала через синтез речи без регистрации выберите системный голос и сгенерите чистую версию фразы. Потом эту чистую запись используйте как материал для клонирования своего голоса.
Звучит мудрёно, но я проверил — работает лучше, чем сырая запись с телефона. У системного голоса нет шума, и ИИ проще ухватить вашу тембральную окраску. Минус — остаётся лёгкая электроника. Но это лучше, чем стук клавиш, согласитесь?
FAQ
Почему клонированный голос шумит?
Скорее всего, грязный исходник. Проверьте: выключите кондиционер, не ставьте ноутбук вентилятором к микрофону, используйте гарнитуру. Если шум остался — сгенерите чистую базу через онлайн-синтез речи и клонируйте с неё.
Нужна ли регистрация для бесплатного клонирования?
Нет. Бесплатный клон голоса работает без аккаунта — открыл страницу и вперёд. Но если хотите сохранить несколько моделей, лучше зарегистрироваться, чтобы не перезаписывать каждый раз.
Напоследок вопрос вам
Угадайте, что сказал шеф, когда услышал новый IVR? — «Слушай, а голос-то как у моей бывшей».
А вы что планируете озвучить с помощью бесплатного клонирования голоса?