Клонировал голос для голосового бота поддержки: два провала и бесплатный способ без регистрации

Клиент послушал первое демо и после паузы спросил: «Это что, робот с ангиной?» Я сидел с наушниками в половине второго ночи и понимал, что да, похоже. Голос был сиплый, будто записан через стену, а фразы обрывались так, что хотелось повесить трубку. А ведь я всего лишь хотел сделать нормальную озвучку для бота поддержки интернет-магазина. Забегая вперёд: получилось, но только с третьего раза. И да, бесплатно.

Первая попытка: я почти решил, что клонирование голоса — это шаманство

В тот вечер я открыл первый попавшийся сервис, который обещал клонирование голоса бесплатно. Записал на телефон «Здравствуйте, чем могу помочь?» — и загрузил. Через минуту получил аудио. Слушаю: каждое слово вроде знакомое, но вместе — каша. Интонация как у автоответчика, который ненавидит свою работу. Паузы не там, где надо: «Здравствуйте, чем / могу / помочь». Если бы такой бот отвечал клиентам, они бы бросали трубку на второй секунде.

Я подумал: может, дело в микрофоне? Или в том, что я записал всего десять секунд? Начал гуглить. Наткнулся на пару сайтов с надписью «синтез речи бесплатно», но там либо требовалась регистрация, либо лимит — 50 символов на раз. Полсотни символов! Это даже «здравствуйте» не влезет. Ещё один сервис предлагал голосовой синтезатор онлайн, но после генерации на аудио появлялся водяной знак — тихий писк на фоне. Для теста сойдёт, для клиента — нет.

К трём часам ночи я уже сомневался, что бесплатный текст в речь вообще бывает нормальным. И тут в каком-то форуме для разработчиков кто-то упомянул VoxClone. Мол, можно клонировать голос онлайн без регистрации, и вроде как навсегда бесплатно. Ссылка вела на клонировать голос онлайн без регистрации. Я открыл. Интерфейс простой: загружаешь запись, ждёшь. Ни логина, ни карты. Первый раз я всё равно запорол — в комнате мяукнула кошка, и её мяуканье каким-то образом влезло в тембр. Голос получился с лёгким «мяу» на согласных. Смешно, но не для клиента.

Что я изменил во второй раз (и почему это сработало)

Утром я взялся за дело серьёзно. Запись я переделал так: включил авиарежим, закрыл окно, залез в шкаф с одеждой — там хоть и душно, зато тихо. Записал 30 секунд: медленно, чётко, без эмоций. С текстом оказалось ещё интереснее. При генерации текст в речь бесплатно знаки препинания решают всё. Раньше я писал «здравствуйте чем могу помочь» — сервис тараторил, как будто спешил на обед. Поставил запятые и вопросительный знак — и паузы встали на место. И ещё одна ошибка — жадность. В первый раз я залил пятьсот символов, и к концу голос «поплыл», стал металлическим. Во второй — разбил на короткие фразы, сгенерировал каждую отдельно, потом склеил. Результат: клиент послушал и сказал: «О, вот это уже похоже на человека».

Кстати, я потом пробовал и другие задачи. Например, нужно было озвучить аудиокнигу бесплатно — небольшой рассказ для внутреннего проекта. VoxClone справился, хотя для длинных текстов всё равно лучше дробить. Ещё делал голос для видео нейросеть бесплатно: наложил сгенерированную дорожку на ролик для соцсетей. Звучит не идеально, но для черновика — отлично. И всё это без регистрации, без привязки карты, без «пробного периода на 3 дня». Кстати, если нужна именно озвучка текста бесплатно, начните с текст в речь бесплатно — там всё то же самое, только без загрузки своего голоса.

Как я использую это сейчас

Теперь у меня есть свой алгоритм. Сначала пишу сценарий для бота: короткие фразы, вежливые, с естественными паузами. Потом записываю себя в тихой комнате — 30–40 секунд нейтральным голосом. Загружаю на синтез голоса без регистрации, жду. Дальше генерирую каждую реплику отдельно. Если где-то звучит не так — меняю пунктуацию или перезаписываю кусок. Всё бесплатно, никаких ограничений на количество символов я не заметил. Для небольшого интернет-магазина этого хватает с головой.

Есть нюанс: если вы делаете коммерческий продукт, стоит подумать о хранении данных. В России многие компании требуют, чтобы персональные данные — а голос может считаться биометрией — хранились на серверах в РФ. Я не юрист, но для серьёзных проектов лучше уточнить у клиента, где будут лежать аудиофайлы. Для демо и внутренних задач вопрос не стоит.

Ещё я заметил: чем чище исходник, тем лучше результат. Не надо записывать в кафе или на улице. Не надо шептать. Не надо играть голосом — клонирование любит ровную подачу. И да, text to speech на русском бесплатно уже не звучит как робот из 2010-х. Нейроозвучка бесплатно шагнула вперёд, но всё ещё зависит от вас. Я, например, иногда просто хочу клонировать свой голос для черновой озвучки — и это работает.

FAQ: что обычно спрашивают

Можно ли использовать бесплатное клонирование голоса в коммерческих целях?

Смотря какой сервис. У VoxClone я не видел явного запрета, но перед запуском в продакшн лучше прочитать условия. Я использовал для демо и небольших клиентских проектов — проблем не было. Если планируете массовый голосовой бот для банка или госуслуг, юристы должны проверить лицензию и хранение данных.

Насколько похоже получается и сколько нужно записи?

Похожесть на 70% зависит от записи и на 30% от инструмента. Мне хватило 30 секунд чистой речи. Главное — тишина, ровный темп, без эмоций. Если записать 10 секунд с шумом, получится «робот с ангиной». Если 40 секунд в шкафу — вполне естественный голос. Дольше не значит лучше, но чище — обязательно.

Есть ли лимит по символам при бесплатном синтезе?

В моём случае я спокойно генерировал по несколько сотен символов за раз. Но некоторые бесплатные сервисы режут текст на куски. Если нужно озвучить большой текст, лучше разбить на абзацы — так и голос не устаёт, и интонацию можно подправить. Больше примеров и инструкций есть на инструкции и примеры.

Вместо итога — что сделать прямо сейчас

Если вы тоже хотите озвучить голосового бота или просто сделать нейроозвучку для видео, не начинайте с поиска «идеального» сервиса. Начните с тихой комнаты и 30 секунд своей речи. Потом откройте бесплатный синтез речи, загрузите запись и сгенерируйте одну фразу. Не понравилось — поменяйте запятые, перезапишите. Скорее всего, со второго раза получится нормально. Я потратил два вечера, чтобы понять: магия не в кнопке, а в том, как вы подготовите текст и звук. Инструмент бесплатный, так что попробовать стоит.