Записал клон голоса в кофейне — получил звук из аквариума. Разбираю ошибки и рассказываю, где текст в речь реально работает
Среда, четыре часа дня. Сижу в кофейне на Покровке, передо мной остывает капучино, а в наушниках — мой собственный голос, который звучит так, будто его записали на дне колодца. Заказчик слушает. Молчит секунд пять. Потом пишет: «Может, всё-таки найдём диктора?»
Вчера вечером он переписал сценарий промо-ролика. Диктор занят до следующей недели. Сдать надо послезавтра. И я решил, что клонирование голоса бесплатно — это моё спасение. Записал на телефон двести с лишним слов, загрузил в сервис, набрал текст. Думал, нейросеть сама всё почистит.
Не почистила.
Что именно я скормил инструменту
Давайте честно: я использовал самый обычный сценарий — клонировать голос онлайн, загрузить запись, подождать, пока модель выучит тембр, потом набрать текст и получить озвучку. Инструмент работал нормально. Проблема была во мне.
Я переслушал ту запись три раза, прежде чем до меня дошло. Кофемолка — низкочастотный гул. Разговоры за соседним столиком — средние частоты. А главное — телефон лежал на столе в двадцати сантиметрах от рта, и в запись залезла вся реверберация зала.
Модель учится тембру. Но она учится не только вашему голосу — она впитывает всё, что было в записи. Включая кофейню.
И ещё одна глупость: я читал текст «с выражением», специально понизив голос. Получился уставший, простуженный я. Не тот, кто говорит, а тот, кто пытается звучать как диктор.
Правило, которое я вывел для себя: что положишь — то и получишь. В клонировании голоса это не метафора, а буквальная инструкция.
Разбор полётов: дело не в сервисе, а в исходнике
На следующий день я сделал три вещи, которые звучат по-идиотски, но работают.
Залез в шкаф. За спиной — два пуховика, телефон на плечиках, до рта примерно кулак. Некрасиво. Зато шкаф гасит эхо лучше любого плагина шумоподавления.
Потом сменил текст. Вместо официальной озвучки начитал кусок собственных заметок, которые писал утром. Расслабленно, как будто рассказываю другу. Потому что клонированию нужен «вы говорящий», а не «вы вещающий».
И записал подольше — минут пять. С паузами, с вдохами, с одной оговоркой и смехом после неё. Всё оставил.
Загрузил заново. И услышал себя. Просто себя, читающего другой текст.
Кстати, найти синтез речи бесплатно сейчас вообще не проблема — открыл, загрузил, набрал. Сложность в другом: в подготовке материала. И вот этот шаг никто за вас не сделает.
Когда материал чистый — вот тут начинается магия
После того как запись прошла проверку, я понял: главная сложность не в том, что «бесплатно», а в том, есть ли у вас нормальный исходник.
Путей, которые я пробовал, два. Первый — поставить бесплатную версию программы для клонирования голоса на компьютер и воевать с драйверами и видеокартой. Второй — делать всё онлайн: открыл страницу, загрузил запись, набрал текст, получил звук. Синтез голоса без регистрации — даже аккаунт создавать не надо. Для меня, когда нужно просто сдать видео, второй путь экономит не деньги, а нервы.
Где я это реально использую:
- Озвучка для коротких видео. Сценарий меняется десять раз — и озвучку приходится переписывать десять раз. Раньше это была пытка. Теперь правишь текст и сразу получаешь звук. Цена ошибки — почти ноль. Для озвучки видео нейросеть бесплатно — сейчас мой основной инструмент.
- Курсы и обучающие подкасты. Перевожу конспект лекции в аудио и слушаю в метро. Где формулировка кривая — уши замечают быстрее, чем глаза.
- Аудиокниги и статьи для Telegram-канала. Если не хочется ни показывать лицо, ни тратить голос — можно озвучить аудиокнигу бесплатно своим клоном. Звучит куда живее, чем стандартный робот.
- Голосовые напоминания для родителей. Длинные инструкции, памятки, напоминания о лекарствах — перевести в аудио и отправить. Работает лучше, чем простыня текста в мессенджере.
- Презентации и доступность. Демо-ролики, материалы для скринридеров — там, где нужен «человеческий» голос, но не нужен живой человек у микрофона.
Всё это я делаю по одной схеме: сначала сохраняю тембр, потом синтезирую текст. И поскольку нейроозвучка бесплатно и без ограничений по символам, я могу спокойно перебирать варианты — одну и ту же фразу с разной интонацией, с разными паузами. Слушаю, что звучит естественнее. Эта свобода — text to speech на русском бесплатно без счётчика символов — важнее, чем лишний переключатель в настройках.
Честно говоря, порог входа в голосовой синтезатор онлайн сейчас настолько низкий, что единственная реальная плата — это три минуты внимательной записи.
Если тоже в это влезли — в разделе с материалами есть записи по шагам, там меньше моих грабель.
Мой текущий алгоритм
Он не меняется. Сначала — чистая запись: тихая комната, телефон или гарнитура, обычный голос, три-пять минут. Потом — загрузка тембра. Потом — набор текста. Потом — прослушивание. Не понравилось — возвращаюсь и правлю не настройки, а пунктуацию.
Да, пунктуацию. Это моя вторая ошибка, которую я долго не замечал. Запятая — короткая пауза. Точка — длинная. Многоточие — «здесь вдох». Если расставить знаки правильно, ритм получается сам. Это работает лучше, чем ползунки в интерфейсе.
На выходе — синтез речи бесплатно даёт голос, который почти не отличается от живого. И это без единого рубля. Три года назад, когда я начинал делать видео, я бы не поверил.
Три вопроса, которые мне задают чаще всего
Нужен ли профессиональный микрофон?
Нет. Моя лучшая запись сделана на телефон в шкафу. Убивают материал не дешёвые устройства, а шум и расстояние. Тихая комната плюс кулак от рта до микрофона — лучше, чем микрофон за тридцать тысяч в шумной гостиной.
Можно ли использовать клонированный голос в коммерческих целях?
Зависит от того, чей голос вы клонируете, и от условий сервиса. Клонировать свой голос — проще всего. Чужой — даже если это голос коллеги — сначала спросите. Проблем потом будет больше, чем сэкономленных денег. И да, если для вас принципиально, где хранятся записи — проверьте условия платформы до того, как загружать голос. Многие зарубежные сервисы держат данные на своих серверах, и это стоит уточнить заранее.
Насколько велика разница между бесплатным и платным?
То, что я делаю через клонирование голоса бесплатно, меня устраивает. Разница вылезает на крайних задачах — очень длинные тексты, тонкая эмоциональная нюансировка. Для обычной озвучки видео, курсов, уведомлений бесплатного озвучка текста бесплатно хватает с запасом. Когда знакомые разработчики спрашивают про API для синтеза речи, я всегда говорю одно: сначала прогоните материал и текст через веб-версию, а уже потом думайте про интеграцию. Иначе вы просто поставите на поток производство шума.
Вместо итога
Если хотите попробовать — сделайте вот что. Сегодня вечером найдите тихую комнату, запишите на телефон три минуты. Прочитайте вслух любую статью, которая под рукой. Расслабленно, не стараясь звучать красиво. Потом загрузите эту запись, наберите одну фразу и послушайте.
Я потерял на том провале полдня. Но вывод получился простой: в клонировании голоса восемьдесят процентов времени надо тратить на запись, а не на настройку. Остальные двадцать — на совести инструмента.