Записал голос на кухне — и загубил озвучку 37 карточек. Разбор
Гудела вытяжка. Из крана капало — раз в две секунды, методично, как метроном. А я стоял посреди кухни, пристроил телефон на разделочную доску и начитывал в него описание термокружки. Три минуты. Мне казалось, что я только что сэкономил пять тысяч рублей на дикторе.
Через два дня на таймлайне лежали 37 смонтированных роликов для карточек на Wildberries. Ни один я не решился выложить.
Озвучка была мёртвая. Не «плохая» — именно мёртвая: голос будто читал сквозь жестяную банку, окончания проглатывались, а на словах «скидка только сегодня» снизу подмешивалось тихое гудение. То самое. От вытяжки.
Почему это вообще произошло
Механика клонирования голоса проста до обидного. Модель слушает запись и вытаскивает из неё тембр — то, что делает голос твоим. И вот в чём подвох: тембр живёт в чистой речи. В грязной он живёт вместе с грязью.
Нейросеть не догадается выкинуть гул. Она примет его за часть тебя. А потом будет аккуратно, слой за слоем, воспроизводить этот гул в каждой новой дорожке.
Вторая ошибка — я дал ей три минуты. Три двенадцать, если точно, с двумя покашливаниями и смешком в середине. Этого мало. Модель начинает угадывать, а угаданный голос — самое жуткое, что можно услышать: вроде похоже на тебя, но ты бы так никогда не сказал.
Третья ошибка — я не послушал результат. Сгенерировал сразу 37 файлов и пошёл спать.
Первые две — технические. Третья — про отношение. Никакой, даже самый лучший сервис клонирования голоса бесплатно не спасёт человека, который не слушает то, что ему сгенерировали.
Разбор по пунктам
- Где писал: кухня, вытяжка включена, за окном ремонт
- На что писал: встроенный микрофон телефона, держал рукой в 30 см от лица
- Сколько: 3:12, с кашлем и смехом
- Проверка: пропущена, сразу пакетная генерация
Ни одного пункта из разряда «сервис подвёл». Всё моё.
Что я переделал
Первым делом — место. Залез в шкаф, закрыл дверцы, за спину накидал два пуховика, включил авиарежим и начитал восемь минут ровным, скучным, максимально нейтральным голосом. Никакой драмы, никаких «а теперь с чувством». Просто: «объём 500 миллилитров, внутренняя колба — сталь 316, держит тепло 12 часов».
Второе — я перестал генерировать целыми кусками. Резал текст по кадрам, по 5–8 секунд на фрагмент. Скучно? Да. Зато когда в одном месте ударение падает не туда, ты правишь одно предложение, а не переозвучиваешь всю дорожку. Разница по времени — в разы.
И вот с чистым семплом случилось то самое «вау». Клонировать свой голос получилось так, что я реально узнал себя: окончания собраны, «цена по карте» звучит как цена по карте, а не как шёпот из подвала. Клонировать голос онлайн оказалось, честно говоря, куда проще, чем правильно настроить микрофон.
Заодно скажу про сам сервис. Я перепробовал за полгода, наверное, десяток вариантов — где-то лимит по символам, где-то очередь, где-то после третьей генерации вылезает окно с тарифом. Здесь текст в речь бесплатно и без счётчика: я ни разу не наткнулся на «у вас закончились попытки». И синтез голоса без регистрации — это, оказывается, огромная экономия нервов. Не надо вводить почту, ждать код, подтверждать, вспоминать пароль ради двадцатисекундной дорожки. Открыл, вставил текст, забрал файл.
Мне, кстати, нужен был именно text to speech на русском бесплатно — не английский суррогат с жутким акцентом, а нормальная русская речь с нормальными ударениями. Тут претензий нет.
Сейчас это у меня работает как обычный голосовой синтезатор онлайн. Написал текст — через пару секунд аудио. Не понравилось — поменял два слова и сгенерировал заново.
А насколько это хуже живого диктора?
Меня спрашивают постоянно. Отвечу честно: если нужно прочитать характеристики товара — разницы почти нет. Нейроозвучка бесплатно сегодня звучит ровнее, чем половина дикторов, которых я нанимал за деньги.
Но если вам нужна эмоция — тот самый продающий напор, придётся либо вручную крутить интонацию, либо звать человека. Синтез речи бесплатно убирает стоимость человека. Стоимость решения он не убирает: где поставить паузу, какое слово выделить, как это ляжет на монтаж — всё равно думать вам.
Про слово «бесплатно»
Я, честно говоря, шёл с настроением «сейчас два раза дадут попробовать и попросят карту». Потому что клонирование голоса бесплатно звучит как приманка, правда?
Полгода спустя — озвучка текста бесплатно и без логина, и без привязки телефона. API, который они дают, я подключил для черновых прогонов: гоняю через него короткие описания, слушаю, отбираю удачные, потом уже собираю финал. Для этого хватает с головой.
Отдельно про данные. Я работаю с товарами клиентов, и вопрос «где хранятся записи» для меня не абстрактный — у нас с этим строго, 152-ФЗ никто не отменял. Поэтому правило железное: клонирую только собственный голос или голос коллеги, который дал письменное согласие. Никаких «голосов известных людей», никаких скачанных откуда-то дорожек. Даже если технически можно — не надо.
Кстати, если у знакомых есть затея озвучить аудиокнигу бесплатно для самиздата — им эта же логика подойдёт один в один. Восемь минут чистой речи, нарезка по абзацам, прослушивание каждой главы. Скучно, зато без переделок.
Частые вопросы
Если запись шумная, поможет ли шумодав перед клонированием?
Чуть-чуть. Алгоритм не различает гул техники и придыхание в вашем голосе — он режет всё подряд, вместе с деталями тембра. Проще переписать пять минут в тишине. Нет тишины — шкаф, закрытая дверь, куртки за спиной. Этот дедовский способ работает лучше большинства плагинов.
Какой длины делать фрагменты для озвучки видео?
По кадрам, 5–8 секунд. Длиннее — не попадёте в ритм монтажа, короче — интонация рвётся. И генерировать по кускам удобнее: правки не жалко.
Можно ли использовать такой голос в коммерческих роликах?
Зависит от условий сервиса — и от того, чей это голос. Мой личный критерий простой: свой голос или голос человека с его разрешением. Всё остальное — риск, который не стоит сэкономленных денег.
Что в итоге
Сейчас процесс выглядит так: восемь минут в шкафу → загрузка → нарезка по кадрам → генерация → прослушивание каждой дорожки → подгонка под монтаж. 37 роликов для VK Клипов и Shorts я доделал за два вечера.
Если вы прямо сейчас сидите с текстом для карточек и думаете «да ладно, сойдёт и так» — не генерируйте пачкой. Искать голос для видео нейросеть бесплатно — нормально, я сам так начинал. Но сначала потратьте пять минут, найдите тихий угол и начитайте нормальный семпл. Это единственный шаг, который реально влияет на результат. Остальное — детали. Проверено на 37 выброшенных файлах.