Озвучка роликов нейросетью: как получить живой голос без робота
Как озвучивать ролики для бизнеса нейросетью так, чтобы голос не звучал как робот: текст под голос, ударения, термины, проверка речи и типичные дефекты.
Ролик собран красиво: анимация, субтитры, музыка. Первая фраза диктора, и зритель листает дальше. Голос ставит ударение в слове «оптовая» не туда, название компании читает по буквам с паузами, а интонация к концу фразы ползёт вверх, будто каждое предложение вопрос. Картинка хорошая, а доверие к ролику пропало за три секунды.
Все ролики этого блога озвучивает нейросеть: клон голоса работает на нашем собственном компьютере. За десятки роликов мы собрали список того, что ломает синтезированную речь, и способы это чинить. Делимся тем, что работает.
Что выдаёт робота
| Дефект | Как звучит | Откуда берётся |
|---|---|---|
| Неверное ударение | «оптовАя», «звОнит» | Модель не знает слова или путает формы |
| Буквенное чтение | Название бренда по буквам с паузами | Латиница и аббревиатуры в тексте |
| Ровная интонация | Чтение списка без смысла | Длинные предложения с перечислениями |
| Сломанная эмоция | Наигранный восторг, «изменённый» голос | Эмоциональные образцы и сдвиг высоты |
| Проглоченные слова | Короткое слово после паузы пропадает | Слишком короткая реплика или неудачное начало фразы |
| Щелчки и провалы | Посторонние звуки, тишина посреди слова | Брак отдельного дубля синтеза |
Живой голос нейросети начинается с текста. Модель хорошо читает то, что написано для уха.
Текст под голос: наши правила
- Числа и термины словами. «Двадцать тысяч рублей», «сиарэм», «эй-пи-ай». Цифры и латиница в тексте для озвучки дают самые неожиданные ошибки.
- Бренд слитно. Название компании пишем так, как его произносят, одним словом. Иначе модель читает по буквам.
- Фраза не короче восьми слов. Совсем короткие реплики модель обрывает или дополняет тишиной.
- Не начинать фразу с «А». Короткое «а» в начале часто проглатывается.
- Одна мысль в предложении. Перечисление из шести пунктов лучше разбить на два предложения.
- Эмоцию задаёт текст. Нейтральный образец голоса и выразительная фраза звучат естественнее, чем эмоциональный образец.
Словарь ударений
Каждое слово, на котором модель ошиблась, попадает в словарь произношения: ударная гласная пишется заглавной буквой, сложные термины записываются так, как их надо прочитать. Перед озвучкой текст автоматически проходит через словарь. Ошибка, найденная один раз, больше не повторяется ни в одном следующем ролике.
Как мы проверяем речь без прослушивания каждого дубля
Шаг 1
Озвучка по предложениям
Каждое предложение синтезируется отдельно, поэтому брак одного не портит весь ролик.
Шаг 2
Несколько дублей
На сомнительные фразы модель делает несколько вариантов с разными настройками случайности.
Шаг 3
Распознавание речи
Программа распознавания слушает каждый дубль и сравнивает услышанное с текстом. Пропущенное или искажённое слово видно сразу.
Шаг 4
Акустическая проверка
Код ищет щелчки, всплески шума, провалы громкости внутри речи и перегрузку.
Шаг 5
Выбор лучшего и выравнивание
Лучший дубль идёт в ролик, громкость и высота фраз выравниваются, чтобы голос не плавал от сцены к сцене.
Шаг 6
Человек слушает итог
Автоматика ловит большинство дефектов, финальное решение по звучанию за человеком.
Своя модель или облачный сервис озвучки
| Что важно | Облачный сервис | Модель на своём компьютере |
|---|---|---|
| Качество из коробки | Обычно выше | Ниже, требует настройки |
| Стоимость | Лимит символов по тарифу | Без оплаты за символы |
| Контроль | Настройки сервиса | Полный: словарь, дубли, проверки |
| Объём | Упирается в тариф | Упирается во время работы видеокарты |
Для серии роликов собственная модель окупается быстрее, для единичного ролика удобнее сервис. Подробнее о том, когда стоит держать нейросеть у себя, в статье «Нейросеть на своём сервере».
Сколько стоит ролик с озвучкой
| Позиция | Цена | Что входит |
|---|---|---|
| Настройка фирменного видеостиля | 10 000 ₽ | Один раз: цвета, логотип, шрифты, шаблоны сцен |
| Простой ролик по шаблону | 1 000 ₽ | Вертикальное видео по вашему тексту |
| Ролик с индивидуальным сценарием | от 3 000 ₽ | Сценарий и оформление под задачу |
| Сложный рекламный Reels | от 5 000 ₽ | Расширенная графика |
Озвучка и серия роликов по сценарию обсуждаются отдельно. Как устроен генератор роликов, рассказано в статье «Видео для бизнеса без съёмок», а как строить сценарий, который досматривают, в материале «Сценарий Reels на 50 секунд».
Частые вопросы
Можно ли озвучить ролик голосом нашего сотрудника?
Технически клон делается по короткой записи. Нужно письменное согласие человека, чей голос клонируется.
Сколько времени занимает озвучка ролика?
Минуту ролика модель озвучивает и проверяет за несколько минут. Дольше занимает подготовка текста.
Слышно ли, что голос синтезирован?
Внимательный слушатель может заметить. Наша задача, чтобы голос не мешал смыслу и не вызывал недоверия.
Что если в готовом ролике нашлась ошибка ударения?
Слово добавляется в словарь, перегенерируется только одна фраза, ролик пересобирается за минуты.
Коротко
- Робота выдают ударения, буквенное чтение, ровная интонация и брак отдельных дублей.
- Текст для озвучки пишется для уха: числа и термины словами, бренд слитно, фразы от восьми слов.
- Словарь ударений, дубли, распознавание речи и акустическая проверка ловят большинство дефектов.
- Ролик по шаблону от 1 000 ₽, видеостиль 10 000 ₽ один раз.
Следующий шаг: посчитайте ролики в калькуляторе или посмотрите все услуги на rktsocial.com.