Озвучка онлайн-курсов и слайдов: два сценария, одна нейросеть
Вчера в 23:40, когда все нормальные люди спят, я сидел с чашкой остывшего кофе и тупо смотрел на таймлайн в Premiere. Нужно было озвучить 40-секундный ролик для инстаграма — анонс нового мини-курса по Excel. Текст я написал заранее, даже прочитал его вслух, засекая время. И вот тут началось веселье.
Потому что мой собственный голос в записи звучал так, будто я читаю инструкцию к стиральной машине. Ни энергии, ни тембра — плоская дорожка, от которой хочется зевнуть. А завтра надо сдавать. Я вспомнил, что на VoxClone есть бесплатное клонирование голоса, но как-то не доверял. Решил проверить на этом ролике. И заодно — сравнить с другим сценарием, который у меня был на этой неделе: запись интро для подкаста. Спойлер: это два разных мира.
Почему я вообще полез в TTS, а не перезаписал сам
Начну с ролика. Время — ночь, соседи спят, микрофон ловит гул холодильника. Перезаписывать 10 дублей — это час мучений, а потом всё равно придётся чистить шумы. Я открыл сайт, вставил текст в поле — и там был выбор: просто текст в речь или клонировать свой голос. Я попробовал сначала обычный синтез, чтобы не заморачиваться. Выбрал женский голос, поставил скорость 1.1 — и… нет. Звучало как робот из 2015 года. Не то.
Тогда я зашёл на страницу клонирования голоса и загрузил три своих старых записи с ютуба — там минут по пять, речь чистая, без музыки. Через пару минут мне дали мой же голос, но чище, без одышки и с более ровной интонацией. Я вставил текст, нажал генерацию — и офигел. Это был я, но как будто я выспался и выпил воды. Вот это поворот.
Но тут же всплыла первая засада: для ролика нужно было уложиться ровно в 40 секунд. А нейросеть растянула текст на 47. Пришлось вручную ужать паузы, переставить запятые, сократить пару вводных слов. Итог — 41 секунда, уже нормально. Но я понял: текст в речь онлайн — это не волшебная кнопка «сделай красиво», это инструмент, которым надо управлять.
А вот подкаст — совсем другая история
Теперь про интро для подкаста. Тут не 40 секунд, а 2-3 минуты. И главная задача — не уложиться по времени, а создать атмосферу. Я думал, что если уж клонированный голос справился с роликом, то с подкастом он справится тем более. Как бы не так.
Первый дубль я сгенерировал с тем же настройками, что и для ролика — энергично, с подъёмом в конце. И это звучало… неправильно. Для подкаста нужен более спокойный, доверительный тон, как будто ты сидишь с другом на кухне. Я начал крутить настройки: понизил скорость до 0.95, добавил паузы между смысловыми блоками, разбил текст на короткие предложения. Попробовал другой вариант — и вот тут я понял, как можно сделать голос красивым для каждого формата по-своему.
Кстати, про «красивый голос». Я долго искал, как сделать голос красивым, и перепробовал кучу советов из интернета — от дыхательных упражнений до записи в шкафу. Но оказалось, что нейросеть умеет делать голос красивым без всех этих танцев. Просто нужно понять, какие параметры влияют на восприятие. Для ролика — скорость и чёткость. Для подкаста — тембр и паузы. Я даже сохранил два разных пресета в своём аккаунте, чтобы не перенастраивать каждый раз.
Что я понял про бесплатную озвучку курсов и слайдов
Теперь к сути. Я озвучиваю не только ролики, но и целые модули онлайн-курсов — там по 20-30 слайдов, и раньше я записывал каждый слайд отдельно. Это ад. С TTS я просто вставляю текст слайда, выбираю голос — и получаю файл. Но есть нюансы, которые я выстрадал.
Первый: для слайдов лучше использовать короткие фразы, не больше 2-3 строк. Если текст длинный, нейросеть начинает «проглатывать» окончания, и приходится перегенерировать. Я теперь всегда делю текст на смысловые куски и генерирую каждый отдельно, а потом склеиваю. Да, это дольше, но зато без косяков.
Второй: в Windows 10 я поначалу мучился — не мог найти, как сохранить аудио в нужном формате. Оказалось, просто скачиваешь MP3, а дальше хоть в PowerPoint вставляй. Кстати, текст в речь на русском у них отличный — не то что некоторые сервисы, где русский звучит как немецкий с акцентом.
И третий, самый важный: бесплатность. Я потратил на озвучку целого курса (12 модулей) около трёх часов, и это с учётом всех экспериментов. Раньше на запись одного модуля у меня уходило полдня. Экономия — космическая. И всё это без регистрации, без смс, без пробных периодов на 7 дней. Просто открыл сайт и сделал.
Как я в итоге озвучил и ролик, и подкаст
Итак, понедельник, 9 утра. Я сдаю ролик заказчику (да, я фрилансер), а вечером выкладываю первый эпизод подкаста. Оба файла — сгенерированы нейросетью, оба звучат как я, но с разным настроением. Для ролика — бодро, для подкаста — спокойно. И никто не поверил, что я не записывал это сам.
Самое смешное, что я даже не использовал клонирование для каждого файла — просто один раз создал свой голос, а дальше пользовался им. Это как штамп, только голосовой. Я уже посоветовал этот способ двум знакомым, которые ведут курсы по программированию и маркетингу. Один сказал, что у него теперь «голос как у диктора на ютубе», хотя он сам — скромный парень с тихим говором.
Мой главный вывод из этой недели: текст в речь ии — это не замена живому голосу, а суперспособность, когда дедлайн горит. И особенно круто, что бесплатная версия не урезает качество — я проверил, разницы с платными аналогами нет, по крайней мере для русской речи. Так что если вы тоже ночами сидите над озвучкой — попробуйте, может, ваш голос уже ждёт вас на сервере.
Ах да, чуть не забыл. Для ролика я в итоге сделал два варианта: один с моим клоном, второй — с запасным женским голосом из библиотеки. Заказчик выбрал мой клон. Сказал, звучит «как живой, но без мычания». Это лучший комплимент для нейросети, которую я когда-либо слышал.