Как синтезаторы речи учатся как говорить люди

🅰Екатерина Дзоря, райтер, книжный продюсер

Искусственный интеллект постепенно стирает границы между форматами контента. Художник с помощью ИИ может написать рассказ по своей картине, писатель — озвучить текст, музыкант — смонтировать клип. И если еще пару лет назад результаты таких генераций выглядели неубедительно, то сегодня их часто невозможно отличить от человеческих.

ИИ-озвучка стала одной из самых развитых технологий в области креатива. Среди работающих в России синтезаторов речи можно выделить TextToSpeech.ru, Robivox.ru, Zvukogram.com — все они дают коммерческие права на использование результатов озвучки. Все три позволяют выбрать один из десятков голосов, задать тембр, темп речи и сразу получить готовое аудио.

🌟Использование синтезаторов речи максимально упрощено. Существуют даже Telegram-боты, например:

➡️ @ozvuchka2bot — озвучивает любой текст выбранным голосом,

➡️ @steosvoice_bot — меняет звучание вашего голосового сообщения.

Для коротких роликов, сторителлинга в блоге или озвучки текста для личных нужд этих инструментов вполне достаточно.

➡️ Один из самых продвинутых генераторов речи сегодня — ElevenLabs, особенно его третья версия (v3, beta). Система позволяет задавать эмоции, тембр и тональность фраз с помощью проставленных в тексте тегов в квадратных скобках: голос может говорить с грустью, воодушевлением или сдержанностью.
➡️ Но, конечно, есть нюансы:

🔵у ElevenLabs нет бесплатной коммерческой лицензии (а оплатить из России нельзя);

🔵большие тексты (свыше 5 000 знаков) приходится разбивать на фрагменты, и ИИ озвучивает их с разными интонациями — в сумме это часто звучит неровно.

Поэтому пока для длинных форматов, например, аудиокниг, лучше использовать проверенные решения, пусть менее эмоциональные, но стабильные.
Остальные синтезаторы в большинстве своем не умеют сами чувствовать интонацию и ритм. Пока что они еще могут даже неправильно ставить ударения, игнорировать букву «ё», написанную как «‎е», или не делать паузы между предложениями и абзацами.

🔊 Например, в TextToSpeech.ru для некоторых голосов требуется вручную проставлять ударения и паузы: знак «+» ставится перед ударной гласной, а количество дефисов или тире обозначают длину паузы. Зато, сервис позволяет озвучивать до 20 000 знаков за раз, что делает его удобным для длинных текстов, например, для лекций или аудиоверсий статей.

📎Чтобы обработать результаты ИИ-озвучки, можно дополнительно использовать другие бесплатные онлайн-сервисы, например mp3cut.net — там можно:

🔵соединять несколько аудиофайлов,

🔵вырезать лишние фрагменты,

🔵регулировать громкость и скорость,

🔵чистить шум.

ИИ-озвучка действительно стала мощным инструментом, но качество по-прежнему зависит от человека, который подберет подходящий голос, расставит паузы и ударения, и поймет, где в тексте нужно сделать акцент. Алгоритм может прочитать текст, но не всегда способен услышать смысл, поэтому полностью заменить человеческий труд в ближайшей перспективе не сможет.