На прошлой неделе наливала себе чай на кухне, а тут коллега Димка подходит с хитрым прищуром: «Слушай, а кто тебе записал это приветствие для автоответчика? Звучит так, будто живой человек, даже дыхание слышно». Я чуть чаем не подавилась. Потому что это был не диктор, а бесплатный клонатор голоса — я просто вставил текст и через десять минут получил готовый файл.
Он не поверил: «Да ладно, бесплатно? И без регистрации? Ты что, какой-то секретный API у Яндекса нашла?» Пришлось показать вкладку с онлайн-сервисом текст в речь. Димка посмотрел, помолчал и выдал: «Если бы я это услышал в нашей техподдержке, решил бы, что они наняли профессиональную студию».
И ведь правда — я сама не ожидала, что выйдет настолько гладко. Раньше перепробовала кучу бесплатных синтезаторов речи, и все они звучали как роботы из 2007-го: то гнусаво, то с дурацкими паузами. А тут прям чувствуется, что движок старается говорить по-человечески.
Первый блин: как я чуть не похоронила идею
Сначала я взяла наш корпоративный пресс-релиз и скормила его одному бесплатному клонатору голоса. Получила идеально ровный, дикторский текст — но когда поставила его в тестовый IVR, стало жутко. «Здравствуйте, вы позвонили в компанию…» — это звучало как прогноз погоды. Каждое слово с одинаковым ударением, никакой динамики. Ты же понимаешь: клиент слышит такое — и сразу вешает трубку, потому что «это же робот».
Потом я поумнела. Стала переписывать скрипт в разговорном стиле: вместо «нажмите клавишу один» — «нажмите один», вместо «для соединения с оператором» — «если нужен живой человек, жмите ноль». И начала играть с темпом и паузами — после «переключения» добавила лишние полсекунды тишины. И знаете, эффект был просто вау.
Самое крутое, что бесплатное клонирование голоса с эмоциями — оно реально чувствует настроение текста. Добавила в конце «спасибо, пока» — и голос стал мягче. Поставила «удачи» — интонация потеплела. Для IVR это критично, потому что никто не хочет ругаться с холодным автоматом.
Почему я больше не звоню дикторам
Вы спросите: а почему бы просто не записать с живым человеком? Я тоже так думала, пока не столкнулась с реальностью. Живая запись стоит денег, а правки — ещё больших денег. В прошлом месяце наш отдел продаж изменил тарифы, и в старом приветствии три цифры стали неправильными. Позвонила нашему диктору — она берёт за час, плюс две итерации перезаписи, плюс неделя ожидания.
А тут я открыла бесплатный сервис клонирования голоса, вставила новый текст, выбрала тембр, похожий на старую запись — и через десять минут готово. И главное — синтез голоса без регистрации: хочешь поменять одно слово — не надо логиниться, просто загрузил референс, поправил интонацию — и всё.
Кстати, я ещё попробовала клонирование голоса для пения — просто ради интереса, сделала мелодию для гудка. Это, конечно, не для IVR, но сам факт, что движок умеет петь, говорит о его мощности. Он не просто «читает текст», он его «проживает».
Грабли, на которые я наступила (чтобы вы не наступили)
Но без косяков не обошлось. Первый раз я написала «VIP» латиницей в тексте — и синтезатор выдал «ви-ай-пи» по буквам. Пришлось переписать как «вип» кириллицей, и тогда всё стало нормально. Ещё момент: длинные предложения без запятых — это смерть. Сервис реально сильно зависит от знаков препинания, я бы сказала, на 80%.
И вот ещё что: бесплатный TTS-синтезатор отлично чистит фоновый шум. Я записала референс на диктофон с лёгким шипением — он его просто убрал. Но если в референсе есть эхо, то и результат будет с лёгким «бочкообразным» звуком. Так что совет: пишите референс в тихой комнате на телефон, даже встроенный микрофон подойдёт.
И последнее, что я заметила только спустя неделю: тот IVR, который Димка принял за живого человека, стоил мне ноль рублей. Я использовала постоянно бесплатное клонирование голоса — даже аккаунт не создавала. Если вы тоже делаете автоинформатор или хотите оживить робота-обзвонщика, просто возьмите мой текст и попробуйте:
«Здравствуйте, это компания. Для консультации нажмите один, для сервиса — два, для оператора — ноль. Хорошего дня, до свидания».
А потом сами решайте. Если коллеги тоже спросят, где вы нашли диктора, — значит, не зря всё это.
И да, не делайте это на рабочем компьютере, а то системный администратор увидит, что вы развлекаетесь с бесплатной озвучкой текста. Я дома делала, результат тот же.
Один и тот же текст, три разных голоса
Я провела эксперимент: взяла одну фразу и сгенерила три варианта — стандартный, ускоренный и с увеличенными паузами. Стандартный «Здравствуйте, добро пожаловать» — ровный, как новости. Ускоренный — быстрее, но «добро» и «пожаловать» слипаются, как будто человек спешит. А вот вариант с длинными паузами — самый живой. Я поставила две запятые после «добро пожаловать», и голос сделал естественный вдох перед «нажмите один».
Этот опыт научил меня главному: бесплатные инструменты для клонирования голоса — не про скорость, а про ритм. Я теперь все длинные фразы в IVR разбиваю на короткие, в конце каждой ставлю запятую, и механическое звучание исчезает почти полностью.
Секрет, о котором молчат: знаки препинания — это характер
Думаете, запятые — это просто формальность? А вот и нет. В этом сервисе знаки препинания напрямую влияют на эмоцию. Я попробовала поставить восклицательный знак после «нажмите один» — голос стал требовательным. Заменила на точку — получилось спокойное утверждение. А когда я поставила вопросительный знак после «переключить на оператора», синтезатор выдал что-то вроде «вы уверены?» — с лёгким сомнением.
Поэтому, когда пишете скрипт для IVR, не ленитесь ставить знаки. Точка — точка, запятая — запятая. Я даже после «хорошего дня» ставлю точку, чтобы голос завершился чисто, без затянутого хвоста. Димка этого не замечает, но говорит, что «звучит как-то приятнее, чем у других».
Лайфхак для нетерпеливых
Если не хотите возиться с настройками — просто скопируйте мой шаблон. Сейчас мой IVR выглядит так: после «здравствуйте» — запятая, каждый пункт меню — через точку, а после «до свидания» — вообще ничего. Темп — чуть медленнее среднего, паузы — на 20% длиннее. Такой вариант обманет 90% звонящих.
А если совсем лень — в бесплатном онлайн-клонаторе голоса есть готовый пресет «для колл-центра». Он сам даёт тёплый, слегка улыбающийся тембр. Я попробовала — получилось даже лучше, чем мои ручные настройки. Видно, что разработчики специально подгоняли под такие сценарии.
И последнее: не сравнивайте с живой студией — расстроитесь. Но если заменить вашего текущего робота на этот синтез — это будет как перейти с лады на Мерседес. И когда коллега спросит, где вы нашли диктора, просто улыбнитесь и скажите: «А ты угадай».