Озвучка текста нейросетью: как сделать живо

Озвучка текста нейросеть делает за минуту, но роботизированность выдают паузы и ударения. Разбираем, как готовить текст и где синтез всё ещё проигрывает.

Озвучка текста нейросеть делает за минуту, и первые секунды звучат убедительно. Робота выдаёт не тембр, а то, как голос обращается с паузами, ударениями и концами фраз.

Что выдаёт синтез

Ровные паузы. Живой человек делает их разной длины, иногда не там, где стоит запятая.

Ударения в редких словах и названиях. Модель ставит их по правилу, а не по привычке.

Интонация в конце предложения. Синтез часто опускает тон одинаково, из-за чего речь становится монотонной.

Слишком чистая дикция. Ни одного проглоченного слога, и это само по себе неестественно.

Изображение

Озвучка текста нейросетью: как готовить текст

Пишите устно. Короткие фразы, простые слова, без сложных конструкций и причастных оборотов.

Расставьте паузы вручную: там, где нужен вдох, ставьте точку вместо запятой.

Проблемные слова переписывайте. Если модель неверно ставит ударение в названии, замените слово синонимом или разбейте фразу.

Цифры пишите словами там, где важно произношение: «пятнадцать» вместо «15».

Читайте вслух то, что написали. Если сами спотыкаетесь, споткнётся и синтез.

Где синтез уже не отличить

Закадровый голос в коротком ролике до пятнадцати секунд.

Пояснение к инструкции: там монотонность даже уместна.

Фоновая подача, где голос не главный.

Где всё ещё слышно

Длинный монолог: чем дольше, тем заметнее ровность.

Эмоциональная реклама: восторг у синтеза выходит механическим.

Диалог двух голосов: паузы между репликами получаются неживыми.

Отзыв от лица покупателя. Тут дело не в качестве звука, а в честности: выдавать синтез за живого человека плохая идея, про границу мы писали отдельно.

Липсинк это отдельная история

Если голос нужен не за кадром, а из уст человека в видео, начинается вторая проблема: синхронность губ держится пару фраз, дальше расходится.

Поэтому на товарных роликах чаще генерируют молчаливое видео и накладывают голос в монтаже. Разбор липсинка на русском лежит отдельно.

Возможно, я тут отстал: знакомый монтажёр говорит, что у него держится дольше, и я не понимаю, что он делает иначе.

Часто задаваемые вопросы

Почему синтезированный голос звучит как робот? Обычно не из-за тембра, а из-за ровных пауз, неверных ударений и одинаковой интонации в конце фраз.

Как сделать озвучку живее? Писать устным языком, короткими фразами, вручную расставлять паузы точками и заменять слова, в которых модель промахивается с ударением.

Где синтез не слышно? В коротком закадровом голосе до пятнадцати секунд и в пояснениях к инструкциям, где ровная подача уместна.

Можно ли озвучить отзыв от лица покупателя? Технически да, но это вопрос честности: выдавать сгенерированный голос за реального человека рискованно для доверия.

Озвучка текста нейросетью: что звучит живо, а что выдаёт робота