Как озвучить текст нейросетью: подробный гайд
Принято считать, что хорошо и эмоционально озвучить текст может только диктор со специальными навыками, а удел нейросетей и TTS-сервисов — роботизированные голоса, которые годятся максимум для чат-ботов или голосовых помощников.
Мы хотим показать, что это не так: с помощью нейросетей можно достойно озвучить и рекламу, и подкаст, и ИИ-персонажа, и, возможно, даже аудиокнигу.
Давайте пройдём путь от текста до озвучки на этом примере:
«Знаешь, что в твоём телефоне вычислительной мощности больше, чем во всём НАСА в 1969 году? Тогда компьютеры, отправившие людей на Луну, занимали целые комнаты, а памяти в них было в тысячи раз меньше, чем в одной твоей фотографии. Легендарный бортовой компьютер „Аполлона“ был слабее простого калькулятора. А ты носишь в кармане устройство, которое обгоняет всю технику той эпохи вместе взятую, — и чаще всего смотришь на нём видео с котами. Подпишись — тут только самое удивительное!»
Подготовка текста
Загрузить текст в интерфейс можно двумя способами: вставить в окно редактора или из файла TXT, DOCX или PDF.
Для хорошей озвучки важна и орфография, и знаки пунктуации. Орфографически правильный текст, размеченный знаками препинания, модель прочитает правильнее и выразительнее: расставит паузы там, где увидит точку или запятую, понизит тон к концу предложения, а увидев восклицательный знак — воскликнет.
Для лучшего качества озвучки можно писать цифры прописью, чтобы нейросеть не путалась в падежах и склонениях, и проставлять ударения.
В интерфейсе zvook.online есть функция авторазметки, которая подсветит и исправит места потенциальных ошибок.
После этого ваш текст готов к озвучиванию.
Выбор модели
Выбор модели очень индивидуален и зависит от ваших целей, бюджета и личных предпочтений. Для массовой или черновой озвучки подойдут бюджетные модели.
Но если вам важно качество и гибкая настройка голоса, рекомендуем попробовать и изучить модели семейства Google Gemini и ElevenLabs. У них большой выбор голосов, которые можно настроить очень гибко: добавить или убавить эмоций и выразительности, изменить скорость речи.
В модели Google Gemini можно задать эмоции промптом — это ещё больше расширяет возможности для качественной озвучки. Подробнее о возможностях и особенностях каждой модели — в отдельной статье.
Кроме работы с голосом, эти модели имеют свой язык разметки. Можно вставлять паузы разной длительности, добавлять звуки — например, вздох или покашливание, — озвучить фразу шёпотом. А ещё передавать эмоции точечно, прямо в тексте. Самые частые эмоции видны в интерфейсе zvook.online под текстом. Можно добавить и свои, но учтите: даже разные голоса одной модели могут озвучивать их по-разному.
Настройка голоса
В каждой модели есть набор голосов. Все их можно послушать, нажав на ссылку «Выбрать голос».
Выберем голос Charlotte и посмотрим, как его можно настроить. У ElevenLabs есть несколько параметров голоса: стабильность, сходство с голосом и экспрессия. Чтобы понять, на что влияет каждый параметр, нажмите на ссылку «Как звучат?» — для каждого голоса там есть превью каждого параметра и каждого его значения.
А теперь попробуем модель Gemini с голосом Aoede. Здесь хочется поэкспериментировать с эмоциональностью отдельных кусков текста, поэтому разобьём текст на фрагменты. Впоследствии можно перегенерировать отдельный фрагмент, не тратя токены на то, что уже получилось хорошо. А ещё это даёт возможность точечно играть с настройками и эмоциями голоса на одной части текста.
А теперь добавим сарказма во второй фрагмент и перегенерируем его с новыми настройками голоса.