Почему заставка подкаста звучит как объявление в лифте? Мои ошибки с голосовым синтезом
Прошлая зима. Записывал интервью, гость кашляет — голос как наждак. Я поленился сам озвучить заставку, нашёл первый попавшийся бесплатный текст в речь, скормил ему фразу «Добро пожаловать, сегодня мы поговорим о скучном». Выпустили выпуск — через полчаса в группе пишет слушатель: «Ведущий простудился? Что за голос, как будто в рот набили швабру». Смех сквозь слёз. Люди думали, я болею, а не то что я нанял робота.
Я тогда ещё не понимал: проблема не в сервисе. Проблема в том, что я не представлял, как человек дышит, когда читает текст вслух.
Где на самом деле кроется фальшь — не в словах, а в дыхании
Живая речь — это не ровный поток звуков. Мы задыхаемся на длинных фразах, перед запятой неосознанно опускаем подбородок, а перед важным словом язык готовится ещё до того, как мы его произнесём. Машина об этом не знает. Она равномерно выплёвывает слова, как линейкой измеряя барабанные перепонки.
Такую заставку слушатель выключает через три секунды. В реальной жизни так не говорит никто — кроме сержанта на строевой подготовке и диктора в лифте.
Переходы боятся «ровности» — будто лифт говорит
Было ещё смешнее с переходами. Резал интервью, вставлял рекламу, на бесплатном ИИ прогнал фразу «Следующий блок — от нашего партнёра». Голос ровный, тон одинаковый, жена проходит мимо и спрашивает: «Ты что, лифтовый ролик включил?».
Именно ровность убивает внимание. Ты думаешь, что делаешь эффект, а на самом деле подаёшь слушателю подушку для сна. Заставка фальшивая — максимум оттолкнет нового. Переход фальшивый — прямой сигнал старому слушателю: «можно листать дальше».
Перепробовал кучу сервисов, оставил бесплатные без регистрации
Начал искать всерьёз. Пять-шесть сайтов с синтезом речи бесплатно перебрал. Требования простые: без регистрации, без платной подписки, без странного шума в экспорте. Остановился на одном — в закладках браузера осталась только страница, где можно текст в речь бесплатно прогнать за пару кликов. Пока искал, натыкался на рекламу text to speech на русском бесплатно, но там всё упиралось в платную подписку.
Не хочу ради одной заставки вводить номер телефона. Многие сайты выглядят красиво, но перед скачиванием vysскакивает окно входа, и всё желание пропадает. А тут вы гость, а не источник личных данных. Тем более в нашей реальности с 152-ФЗ и хранением данных лучше лишний раз не светиться.
Главное — «бесплатно» не спрятано во втором меню. На главной поле ввода, вставил текст, выбрал голос, нажал «Сгенерировать», и готово. Просто, как должно быть.
Клонирование голоса онлайн: кормлю ИИ своим голосом
Настоящая причина, по которой я остался, — клонирование голоса бесплатно. Сначала слово «клонирование» настораживало, казалось чем-то из фантастики про подмену лиц. Но когда попробовал клонировать голос онлайн, понял: это просто образец моей речи, который нейросеть учится повторять. Голосовой синтезатор онлайн копирует не только тембр, но и мои привычки в произношении.
В день загрузки образца я специально взял запись с дыханием. Да, я хотел, чтобы оно научилось моим паузам на вдох. Процесс элементарный: синтез голоса без регистрации, клонировать свой голос можно без программ для скачивания, всё в браузере. Через некоторое время мой «цифровой голос» был готов.
Первый раз, когда клонированный голос проговорил мою фразу, по коже побежали мурашки. Это я, но речь ровнее, эмоции точнее, будто параллельный я, который выспался и не простудился. Подумал даже про нейроозвучка бесплатно для аудиокниг — почему бы не попробовать озвучить аудиокнигу бесплатно своим клоном?
Самое полезное — клон выручает в экстренных случаях. Как-то горло воспалилось, а переход для еженедельного выпуска нужен был срочно. Озвучил через клон, вставил в монтаж, никто не заметил подмены. Только я знаю, что этот голос вырос из моей записи трёхмесячной давности.
В заставке стоит потратить время на три фразы
Когда у тебя свой голосовой профиль, делать заставку становится эгоистично — в хорошем смысле. «Добро пожаловать» я читаю в своём обычном тоне, а рекламную вставку подаю так, как если бы я просторугался с другом за кружкой чая. Слушатели не всегда могут сказать, что именно изменилось, но пишут: «Последняя заставка приятнее слушать».
Вот мой маленький секрет: не все фразы стоят того, чтобы их озвучивал клон. Функциональные вставки вроде «Выпуск поддерживает компания Х» я прогоняю через обычный голосовой синтезатор, а если нужно озвучка текста бесплатно, подойдёт любой простой вариант, чтобы основные эмоции легли на ключевые предложения. А переходы вроде «После рекламы будет ещё интереснее» вообще можно отдать простому TTS — голос для видео нейросеть бесплатно и без лишних заморочек. Пусть ИИ читает с лёгкой усталостью — слушателю покажется, что это говорит живой человек.
Мой рабочий процесс: от черновика до монтажной программы
Друзья спрашивают, можно ли подключить бесплатный голосовой синтезатор API к своей программе и делать всё пачками. Это для программистов. Я с установкой Python мучаюсь полдня, так что для меня веб-версия — уже рай. Если хотите покопаться глубже, в обучающих материалах на сайте есть подробнее, чем в официальной документации.
Сегодня мой процесс выглядит как ритуал: пишу текст заставки в документе, открываю страницу с клонированием голоса, генерирую основные фразы своим клоном, добавляю обычными голосами переходы, прослушиваю три-пять раз, экспортирую и кидаю в программу монтажа. Всё укладывается в двадцать минут. Главное — я больше не вру себе, что «механический голос — это тоже стиль».
Думая об этом, понимаю: технологии здесь не главное. Слушателю не нужна идеальность, ему нужно «как у человека». Не надо превращать ИИ в диктора. Нужно сделать его вами — тем, кто дышит, делает паузы и в конце предложения слегка напрягает голос.
Попробуйте сегодня вечером: найдите в своём подкасте самую фальшивую десятку секунд заставки, перечитайте своим голосом и пусть ИИ озвучит текст. Послушаете — назад не вернётесь.