Клонирование голоса бесплатно: как я записал сэмпл в шумной кофейне и опозорился

Мой позорный сэмпл из кофейни на Патриарших

Тридцать секунд. Ровно столько я наговорил в диктофон телефона, сидя у окна: за спиной шипела кофемашина, бариста дважды уронил крышку от стакана, а за соседним столиком кто-то очень громко обсуждал ипотеку. «Да ладно, — подумал я. — Тут же клонирование голоса бесплатно, синтез голоса без регистрации, чего я теряю?» Загрузил файл, допил капучино, поехал домой.

Дома я открыл результат и минуты три сидел с лицом человека, который случайно отправил голосовое не тому человеку. Мой голос был завёрнут в плотный белый шум, как в одеяло. Своё имя я опознал с третьего прослушивания. Ипотеку — со второго.

Обиднее всего то, что сервис не соврал. Он сделал ровно то, о чём я его попросил: склонировал всё, что было в файле. Вместе с кофемашиной и бариста.

Полез в документацию. Там мелким шрифтом нашлась строчка, которая всё объясняла: если фоновый шум выше примерно −20 дБ, схожесть голоса падает драматически. Не «чуть хуже». Драматически. То есть бесплатно — это не «залил что попало и получил идеал». Решает не модель, а то, что вы принесли ей на вход.

Как отмыть звук, если у вас нет студии и звукорежиссёра

Я не звукарь. У меня старый ноутбук, наушники за две тысячи рублей и Audacity, скачанный когда-то ради подкаста. Этого хватает.

Что я делаю теперь всегда:

  • Нахожу в записи 2–3 секунды, где я молчу, а шум остался. Это эталон шума.
  • Effect → Noise Reduction → Get Noise Profile, потом применяю эффект с умеренными настройками. Перекрутите — голос станет металлическим, и никакая нейроозвучка его не спасёт.
  • Нормализую аккуратно: слишком высокий гейн вытаскивает шипение вместе с голосом.
  • Экспорт: 16 кГц, моно, WAV. Пара сотен килобайт, загружается мгновенно.

Дальше — проверка на кошках. Открываю голосовой синтезатор онлайн, вбиваю пару тестовых фраз, слушаю интонацию. Живо? Тогда иду в клонировать голос онлайн и отдаю туда уже очищенный сэмпл.

Весь ритуал — минут пять. Однажды я потратил полчаса в платной программе и получил результат хуже. Не повторяйте.

Ещё пара мелочей, которые я выстрадал сам. Пишите не в микрофон ноутбука, а хотя бы в гарнитуру — разница слышна сразу, даже на слух человека без музыкального образования. И слушайте результат в тех же наушниках, в которых записывали: дешёвые колонки врут, особенно на низах. А ещё лучше — записать один нормальный «эталонный» сэмпл в тихой комнате и просто хранить его. Новые проекты — та же запись, никаких повторных сессий с телефоном. Десять минут один раз экономят часы потом.

Если дружите со скриптами — у сервиса есть API. По сути синтез речи бесплатно в автоматическом режиме: я через него гоняю пачки коротких текстов для клиентских роликов, руками кликать по сто раз давно лень.

И про нервы. Я иногда работаю с голосами заказчиков, и мне важно понимать, что происходит с сэмплом. Свой голос — ладно, сам виноват. Чужой я без письменного согласия не загружаю никуда: ни в бесплатные сервисы, ни в платные. Это не паранойя, это дешевле, чем потом объясняться с юристом. Заодно всегда держу копию исходника у себя, а не только в чужом облаке.

От аудиокниги до Shorts: где какой голос работает

Сценарии настолько разные, что один и тот же клон ведёт себя в них по-разному.

Аудиокниги. Тут решает длинная дистанция. Я дал клону прочитать главу «Пикника на обочине» — темп, паузы, дыхание между абзацами. Удивило, что «пластика» меньше, чем у некоторых коммерческих синтезаторов. Если хотите озвучить аудиокнигу бесплатно и не сойти с ума на монтаже — вариант рабочий, особенно для самиздата и личных архивов.

Shorts и Reels. Пятнадцать секунд, максимальная энергия, никакой вальяжности. Один и тот же текст я прогнал через голос для видео нейросеть бесплатно в трёх вариантах и выбрал самый злой. Ролик собрал на 30% больше просмотров, чем тот, где я записывался сам. Не то чтобы это был комплимент моему актёрскому таланту.

Подкасты. Вступление, приветствие, «сегодня у нас в гостях...» — это уходит в нейроозвучка бесплатно, сверху накладываю музыку. В комментариях никто не спросил, почему у меня вдруг пропал кашель и появилась идеальная дикция. Никто. Вообще.

Длинные тексты. Тут я ждал подвоха. Ограничения по количеству знаков нет: закинул десять тысяч символов одним куском и ушёл пить чай. Никаких склеек и «продолжите с 500-го символа». Просто озвучка текста бесплатно без нервотрёпки. Раньше мне казалось, что текст в речь бесплатно — это всегда компромисс: либо робот, либо счёт за подписку. Оказалось, можно и без второго.

Кстати, про русский язык. text to speech на русском бесплатно — отдельный жанр боли, потому что ударения. «Зáмок» и «замóк», «мýка» и «мукá». Чуда от машины я не жду: спорные места помечаю заранее или переписываю фразу так, чтобы двусмысленность исчезла. Три минуты правки экономят полчаса перегенераций.

Частые вопросы, которые мне задают в личке

Почему из шумной записи получается шум?

Модель училась на чистой речи. Она не знает, что кофемашина — не часть вашего тембра. Для неё всё, что попало в файл, — это ваш голос. Поэтому шум не «добавляется» потом, он честно встраивается в клон. И вытащить его оттуда уже нельзя.

Сервис правда бесплатный или через месяц попросят карту?

Мой опыт: не попросили. Ни счётчика, ни скрытой подписки, ни «осталось 3 генерации». Условие одно — не превращать это в коммерческий конвейер на чужих голосах. Мне хватает.

Готовый файл можно забрать в другой редактор?

Да, обычный WAV или MP3. Кидаю в Premiere, CapCut, Audition — что под рукой. Водяных знаков и шифрования не встречал.

Разборы и мелкие лайфхаки я складываю в эту подборку — там про обработку, про ударения и про то, как не убить голос фильтрами.

И последнее. Прежде чем клонировать свой голос, запишите пробные тридцать секунд в шкафу с одеялами. Да, в шкафу. Там лучшая акустика в любой квартире, и это бесплатно. Если и оттуда голос выходит шуршащим — дело не в сервисе и не в модели. Дело в микрофоне, и никакая нейросеть этого не исправит.