В среду, почти в полночь, мне прилетает голосовое от старого друга. Восемь секунд. Женский голос спокойно читает описание товара, где-то на середине — лёгкий вдох. Следом сообщение: «Это же живой диктор?»

Нет. Я сгенерировал это через клонирование голоса бесплатно — минуты за полторы, не больше.

Он помолчал. А потом спросил то, чего я совсем не ждал: «Слушай, а ты когда экспортируешь — MP3 или WAV выбираешь?»

...Вот на этот вопрос ответить сложнее, чем на «похоже на живого человека или нет».

Как мы вообще дошли до форматов

Друг занимается карточками товаров на маркетплейсах. Ему нужно было озвучить партию описаний. Раньше он заказывал диктора: 30 секунд — 80 рублей, правка — плюс 30. А потом я показал ему, как работает текст в речь бесплатно без установки программ и без регистрации. Он трижды переспросил: «Точно бесплатно и без лимитов?»

Понимаю его. Я перепробовал штук семь сервисов с надписью «синтез речи бесплатно» — почти все заканчивались либо всплывающим окном «купите подписку», либо водяным знаком на экспорте. А чтобы ещё и без регистрации, и без ограничений — таких мало. Он, кстати, до этого искал, как озвучить аудиокнигу бесплатно для личного проекта, и везде упирался в лимиты.

Но когда он сам сел за текст, начались детали. Вставил текст, нажал «экспорт» — и завис. Два формата: MP3 и WAV. Многие ищут «озвучка текста бесплатно» или «text to speech на русском бесплатно», находят кучу сайтов, полчаса выбирают, какой голос звучит естественнее, а на последнем шаге наугад тыкают формат — и портят всё впечатление.

MP3 и WAV: разница не в «качестве звука»

Сразу развею миф.

WAV — это не «звук лучше». Это звук без сжатия. MP3 — не «плохой звук». Это сжатие с потерями, но умное. Их отношения как RAW и JPEG в фотографии: не «выше-ниже», а «для разных задач».

WAV хранит исходные сэмплы. Файл огромный. Минута аудио в 44,1 кГц / 16 бит — примерно 10 МБ. MP3 той же длины на 128 кбит/с — около 1 МБ, на 320 кбит/с — 2,4 МБ.

Что даёт лишний вес? Возможность редактирования. Если вы потом полезете в редактор — шумодав, изменение скорости, сведение, склейка — WAV выдержит много проходов. MP3 при каждом экспорте теряет слой. После трёх пересохранений шипящие начинают «лохматиться».

С другой стороны, если вы просто закидываете аудио в короткое видео, в мессенджер или на веб-плеер — 10 МБ WAV никому не нужны. Платформа всё равно пережмёт по-своему. Вы только зря потратите время.

Моя личная привычка

За несколько лет я выработал рефлекс:

  • Если аудио пойдёт в монтаж — только WAV.
  • Если отдавать сразу, в чат, на платформу — MP3 320 кбит/с.
  • Если сомневаюсь — сначала WAV в архив, потом при необходимости конвертирую в MP3.

Третий пункт появился после одного случая. Я сдал заказчику MP3, он попросил «сделать фон чуть тише». Я взял тот же MP3, обработал — и голос стал заметно глуше. Пришлось генерировать заново. С тех пор я не ленюсь.

Кстати, о генерации: при работе с клонировать свой голос проще всего сделать так — сгенерировать один раз и сохранить в двух форматах. Благо сейчас можно гонять текст в речь без ограничений, повторный прогон занимает секунды. Не стоит экономить на спичках.

Если вы собираетесь встраивать озвучку в своё приложение и гнать пакетами — тем более сохраняйте исходник в WAV. На сайте есть вариант с API: аудио приходит и сразу ложится на диск в WAV, а дальше делайте что хотите. Привычка хранить无损 исходник в разы выгоднее, чем потом чинить. И да, если вам нужен голос для видео нейросеть бесплатно — это как раз тот случай, когда лучше не экономить на исходном формате.

Вопросы, которые мне задают постоянно

MP3 звучит «по-роботски»?

Нет. Точнее, формат тут ни при чём. Голос кажется искусственным, когда странные паузы в тексте или тембр не подходит содержанию — например, диктор новостей читает шутливый текст. И нейроозвучка бесплатно уже давно перешагнула стадию «сразу слышно, что робот». Особенно если брать готовые чистые сэмплы. Разницу форматов на телефонном динамике вы просто не услышите.

Для коротких видео WAV не слишком тяжёлый?

Слишком. YouTube, VK Видео, Telegram, Reels — у всех есть скрытые лимиты на загрузку, и все они потом перекодируют. Загрузите WAV — платформа всё равно сожмёт в AAC. Так что для коротких видео сразу MP3, не мучайте себя. Кстати, обычный голосовой синтезатор онлайн часто даже не даёт выбрать WAV — и это не всегда плохо.

Можно ли потом редактировать экспортированный файл?

MP3 можно, но каждое сохранение ухудшает. Если просто обрезать тишину в начале и конце — нормально. Если менять скорость, тон, убирать шум — лучше вернуться на страницу синтез голоса без регистрации и сгенерировать WAV заново. В этом и плюс: можно переделать без затрат. А если хочется просто клонировать голос онлайн и не думать о форматах — начните с WAV, потом решите.

Вместо итога

Возвращаясь к тому ночному сообщению. Я посоветовал другу: экспортируй всю партию в WAV для архива, а для отправки сконвертируй в MP3 320 кбит/с. Он не поверил: «Да разве это слышно?» Я сказал: сейчас не слышно. А через три месяца, когда захочешь поменять текст, — поймёшь, в чём разница.

Если вы тоже зависли на этом выборе — не сидите на странице. Возьмите текст на 30 секунд, сгенерируйте дважды: MP3 и WAV. Послушайте в наушниках, потом киньте в редактор и сделайте одну правку. Пять минут — и вы поймёте больше, чем из десяти статей. А если хочется копнуть глубже, загляните в другие материалы — там я уже собрал грабли, на которые не стоит наступать.