Записал свой голос в метро — и клон заговорил голосом диктора. Как я озвучил 80 страниц конспекта бесплатным TTS

Полтора месяца назад я решил, что я самый умный. На руках — конспект курса на 80 страниц, плотный PDF, где строчки стоят как штакетник, и полтора часа метро каждый день. Складывалось идеально: клонирую свой голос, пусть «я» читает себе лекции, слушаю по дороге, чувствую себя продуктивным человеком.

Первый результат я слушал с открытым ртом. Не от восторга.

Три минуты в вагоне, которые всё сломали

Материал я записал в утренний час пик. Три минуты двенадцать секунд, телефон у лица, наушники в ушах, читаю вслух свои же заметки по книге. Логика была железная: время в дороге всё равно пропадает, почему бы не совместить.

Первая фраза вышла нормально. Со второй началось странное — голос будто говорил из-под воды, в конце фраз тянулся глухой гул. Вагон. А на четвёртой фразе в запись влезло что-то невнятное: «Следующая станция…». Я отмотал три раза, прежде чем поверил. Нейросеть честно выучила голос диктора из вагонного оповещения как часть моего тембра.

Весь вечер я ходил и злился. Инструмент-то нормальный. Это я подсунул ему мусор.

Что я сделал не так: три вывода, которые дорого мне дались

Шум — это не фон, это признак. Самая грубая ошибка. Я думал, что клонирование берёт только человеческий голос, а остальное отфильтрует. Ничего подобного — модель учится на статистике всего файла. Постоянный низкий гул поезда, чужой разговор в полуметре, взрывные «п» и «б» от телефона, прижатого к губам, — всё это записывается в «твой голос». Грязный материал, грязный результат. Без исключений.

Длина и темп важнее тембра. Из трёх минут две я говорил полушёпотом — стеснялся людей. Темп скакал. Модель получила короткий и нестабильный образец и собрала из него непонятно что. Теперь понимаю: и в бесплатной, и в платной версии любой программы для клонирования голоса первое сито — качество исходника. Через него не перепрыгнуть.

Шумодав в телефоне — вредитель. Он заточен на то, чтобы собеседник в трубке тебя понял: режет часть обертонов. Для звонка — хорошо. Для клонирования — катастрофа. Обертонов нет, тембр плоский.

Разобравшись, я пошёл на страницу клонирования голоса и начал заново. На этот раз по-честному.

Вторая попытка: шкаф, пуховики и три минуты

Я залез в шкаф и обложился зимними пуховиками — работают как звукоизоляция, серьёзно. Телефон в авиарежим, до рта двадцать сантиметров, не вплотную. Читал свой же текст, написанный простыми фразами разной длины, темп — чуть медленнее обычного.

Три минуты. Ровно три.

Голос получился… странный. Свой голос в записи всегда кажется чужим. Но мама из соседней комнаты сказала: «Это же ты». Значит, годится.

Дальше началось интересное — превратить конспект в аудио. Тут я узнал, что синтез речи бесплатно — не миф, и порог входа куда ниже, чем я думал.

PDF целиком, конечно, заливать нельзя. Вот что я сделал:

  • вычистил колонтитулы, номера страниц, сноски с индексами;
  • формулы и таблицы вынес отдельно и заменил одной фразой («здесь таблица три на два: слева методы, справа точность»);
  • перед каждым крупным заголовком добавил «Часть первая», «Часть вторая» — ушам нужны ориентиры.

Готовый текст отправил в озвучку текста онлайн, выбрал свой клон, генерировал по частям. Восемьдесят страниц распались на одиннадцать кусков по семь-восемь минут — ровно одна поездка в метро.

Когда мой собственный голос произнёс «байесовский вывод», стало немного жутко и приятно одновременно. По сути, я сделал себе бесплатную нейроозвучку, только диктор — я сам.

Мелочи, до которых доходишь только на практике:

  • Лучше короткий чистый кусок, чем длинный шумный. Три минуты тишины сильнее тридцати минут записи из переговорки.
  • Не генерируйте слишком длинными блоками. Всё, что дольше пятнадцати минут, слушать тяжело, и продолжить с места остановки потом не получится.
  • Числа и аббревиатуры переписывайте заранее. «2024» — в «две тысячи двадцать четыре», «РЖД» — по буквам, иначе выйдет ерунда.
  • Перед полной генерацией послушайте десять секунд. Дешевле, чем переделывать весь файл.

Отдельно про данные. Я с самого начала задавал себе вопрос: куда уходит запись моего голоса? По 152-ФЗ голос — это биометрия, и хранить её неизвестно где, мягко говоря, не стоит. Поэтому смотрел, чтобы сервис работал без лишних телодвижений, а аудио можно было скачать и держать у себя. Это, кстати, и практично: скачал — и файл твой навсегда.

Когда схема заработала, я показал её друзьям, которые занимаются доступной средой. У них задачи жёстче: незрячие читатели слушают учебники, статьи, нормативные документы — сотни страниц. Для них возможность сделать синтез голоса без регистрации и без ограничений по объёму важнее, чем «похоже или не похоже».

Я поначалу хотел найти API и написать скрипт для пакетной обработки. Потом понял, что руками в браузере выходит быстрее, и бросил эту затею. Мне нравится, что не нужно регистрироваться — открыл и работаешь. Для тех, кому надо раз в месяц, это идеальный вариант. И удобно, что клонировать голос онлайн и текст в речь бесплатно живут на одном сайте, не надо прыгать по вкладкам.

Ещё один момент, который многих удивляет: голосовой синтезатор онлайн пригодится не только для учёбы. Голос для видео нейросеть бесплатно — это уже нормальная практика: озвучка роликов для Rutube и YouTube, короткие вертикальные видео, внутренние обучающие материалы для команды. Свой тембр в этом случае работает как подпись — узнаваемо и без микрофона в кадре.

Сайт заявляет клонирование голоса бесплатно и без лимитов. Я пользуюсь примерно полгода, внезапных платежей не встречал. Но политику сервисы меняют, так что сверяйтесь с официальным сайтом.

FAQ

Клон не похож на меня. Что делать?

Скорее всего, дело в материале, а не в инструменте. Проверьте три вещи: нет ли на записи чужих голосов, нет ли ровного фона, не скачет ли темп. И ещё про эмоции, о чём забывают: если вы читали на записи пафосный текст, клон получится взвинченным и на лекции будет звучать дико. Записывайте материал обычным, разговорным тоном. Не играйте.

Как быть с формулами, схемами и кодом?

Не надейтесь, что TTS их прочитает. Я перевожу их в устное описание и вставляю в нужное место текста. Формула — «сигма от i равно один до n», таблица — «в таблице три строки, первая — это…», блок кода пропускаю и говорю «здесь фрагмент кода, смотрите страницу такую-то». Звучит неуклюже, зато ухо успевает.

У бесплатных сервисов без регистрации есть лимиты?

За полгода я на них не натыкался. Но правила меняются — смотрите описание на сайте. Мой совет: не кладите все яйца в одну корзину. Сгенерировали длинный важный текст — сразу скачайте аудио и сохраните у себя. Кстати, в разделе с другими материалами есть похожие разборы по обработке длинных текстов, стоит полистать.

Если у вас лежит документ, от одного вида которого сводит скулы — конспект, диссертация, регламент, мануал на двести страниц — можно начать сегодня. Найдите тихое место, запишите три минуты своего голоса, говорите медленнее обычного и простыми фразами. А потом идите на клонирование голоса бесплатно и пробуйте.

Только не в метро. Я предупредил.