Вчера мы рубились в рейд, и вдруг товарищ по команде в голосовом чате выдаёт: «Слушай, а это кто озвучивал NPC? Прям живой человек, не иначе!»
Я аж поперхнулся чаем. Потому что это был я — точнее, мой клонированный голос, который я сделал за десять минут до начала игры.
И знаете, полгода назад я бы сам не поверил. Но с тех пор как я наткнулся на бесплатный текст в речь, вся моя система озвучки для игровых проектов перевернулась с ног на голову.
От «робота» до «живого человека» — один шаг
Раньше я тоже пробовал большие TTS-движки. Ну, вы в курсе: звучит как диктофон из девяностых, особенно когда в диалоге три персонажа и у всех одна интонация — как будто им всем один оператор вставил одну и ту же батарейку.
А потом я попробовал клонировать голос онлайн. Записал три своих фразы как образец, а дальше каждому NPC назначил свой тембр: старому деревенскому старосте — низкий, с хрипотцой; эльфийке — звонкий, с лёгким «хвостиком» на конце; злодею — сдавленный, с придыханием.
И вот друг заходит в игру и спрашивает, не нанял ли я профессионального актёра.
Серьёзно, этот инструмент умнее, чем кажется. Он не просто меняет высоту тона — он улавливает интонацию, паузы, даже дыхание. Я разбил одну длинную реплику на куски, каждому задал свой эмоциональный ярлык — и на выходе получилась почти «сыгранная» сцена.
Грабли: клон — это не магнитофон
Первый раз я обнаглел — решил склонировать сразу пять персонажей. Итог: все голоса слиплись в кашу, будто говорят через одного человека.
Потом дошло: бесплатное клонирование голоса требует нормального референса. Каждому персонажу нужно минимум 15 секунд чистой речи, желательно с одной эмоцией.
А ещё я как-то взял оригинальную озвучку из игры и попытался её склонировать… Короче, чуть не схлопотал страйк за нарушение авторских прав. Теперь всегда пишу сам или беру встроенные образцы. Да, этот синтезатор речи онлайн работает без регистрации: открыл, записал, перетащил — и погнали.
Мой рецепт для многоголосой озвучки
Сейчас я делаю так:
Сначала пишу текст. Потом распределяю по ролям. Для каждого персонажа выбираю базовый тембр (в библиотеке их десятки, хватает с головой), а дальше подкручиваю темп, высоту и накал эмоций.
Главное — «якорь персонажа»: у одного героя все реплики должны звучать из одной и той же клонированной модели. Нельзя мешать разные.
Кстати, функция озвучка текста бесплатно — просто спасение для длинных монологов. Она сама расставляет паузы, и это звучит естественнее, чем мои ручные запятые.
А что там с «бесплатно»?
Вы спросите: реально ли это бесплатно и навсегда?
Я пользуюсь больше месяца — ни копейки не заплатил, никаких навязчивых окон с оплатой. Но есть нюанс: в бесплатном тарифе есть лимит на количество символов в день. Мне хватает на пару-тройку часов аудио.
И ещё: клонировать свой голос в базовой версии можно до 44.1 кГц. Для игровых звуков — за глаза. А вот для подкаста или аудиокниги я бы посоветовал синтез голоса без регистрации и перебрать несколько моделей.
Мой основной рабочий инструмент сейчас — нейроозвучка бесплатно через этот портал. Стабильно, без рекламы, без сюрпризов.
Кейс: «капризная кошкодевочка»
На днях прилетела задача — NPC-кошка, которая говорит с вызовом и нежностью одновременно. Ну, типа: «Хм, я вовсе не ждала тебя специально!»
Сначала взял готовый «девичий» голос — слишком слащаво, нет той самой «колючести». Тогда я записал себя, пародирующего эту интонацию, секунд на двадцать, и склонировал.
Результат заставил меня самого зависнуть на пару секунд: то самое «хм» с восходящим хвостиком, лёгкая гнусавинка на конце — вылитая кошка.
Закинул в игру, тестируем — коллега подходит и спрашивает: «Это кто озвучивал? Слышно, что профи». Я говорю: «ИИ». Он смотрит на экран, потом на меня, и выдаёт: «Ну, этот ИИ умеет играть».
Тонкость с эмоциями
Ни в одном туториале не пишут, что для клонирования голоса эмоциональный ярлык важнее самого тембра.
Одна и та же фраза «Ну наконец-то ты пришёл» с метками «удивление» и «обида» — это два совершенно разных персонажа. Я теперь в начале каждой реплики ставлю что-то вроде [радостно] Ну наконец-то... — движок это понимает.
Ещё лайфхак: хотите, чтобы герой звучал запыхавшимся — поставьте в конце многоточие. TTS сам растянет финальный звук. Я пробовал — выходит куда естественнее, чем вручную выставлять параметры дыхания.
Частые вопросы
Будет ли клонированный голос звучать «электронно»?
Хороший вопрос. Я тоже переживал. Но на практике, если референс чистый, на обычной скорости синтез практически неотличим от живой речи. Иногда спотыкается на вдохах — тогда я просто добавляю запятую или точку, чтобы модель «перевела дух».
Как сделать, чтобы голоса в диалоге не скакали?
Я генерирую каждую реплику отдельным файлом, а в игровом движке вешаю на триггеры. Переключение мгновенное, и у каждого героя своя эмоциональная дуга.
А петь можно?
Можно. Я попробовал клонирование голоса для пения — переделал свою демку в женский вокал, и, честно, звучит сносно. Но пение сложнее: нужно больше референса, и высоту нот всё равно придётся подправлять в редакторе.
Вместо вывода
Теперь, когда друзья спрашивают, кто озвучил NPC, я отвечаю: «Бесплатный ИИ, платформа для клонирования голоса». Они не верят, и я прямо при них показываю: две фразы на запись, клон, генерация нового текста — весь процесс занимает меньше двух минут.
И вот я думаю: лет десять назад за такое пришлось бы выложить круглую сумму профессиональному актёру.
А у вас есть игровой персонаж, которого хотелось бы озвучить собственным голосом? Я, если честно, уже прикидываю, как сделать озвучку для своей любимой RPG-партии.