Как сделать естественную озвучку в ElevenLabs, чтобы голос не звучал как робот

Почему AI-озвучку слышно с первой секунды?

По моему опыту, AI-озвучку выдают две вещи: неправильные ударения в отдельных словах и слишком ровная интонация, когда каждая фраза звучит на одной высоте и в одном темпе.

Дело почти никогда не в «неудачном голосе». Даже хороший голос зазвучит как робот, если дать ему текст, написанный для чтения глазами, а не для произнесения вслух.

Как подготовить текст под речь?

Подготовка текста даёт самый большой эффект. Прочитайте его вслух до генерации: где вы спотыкаетесь или добираете воздух посреди фразы, там запнётся и голос ^[1].

• Разбейте длинные предложения на короткие, по одной мысли в каждом.
• Числа, аббревиатуры и сокращения пишите так, как они звучат.
• Уберите скобки, звёздочки и оформление, рассчитанное только на глаз.
• Добавляйте вопросы и связки, как в живой речи: так интонация начинает меняться.

Как выбрать голос и настроить его?

Выбирайте голос под тип контента: спокойный для урока, энергичнее для рекламы. Решение принимайте по короткому фрагменту вашего текста, а не по общему демо-образцу.

Потом поработайте с настройками голоса. Те, что добавляют выразительности, оживляют речь, но повышают риск сбоев. Ищите баланс на одном и том же фрагменте и меняйте по одной настройке за раз, чтобы понимать, что именно изменилось ^[2].

Как справиться с ударениями и паузами?

Паузы в основном задаются пунктуацией: точка, запятая и перенос строки меняют ритм. Если кусок звучит скороговоркой, разбейте его. Если рублено — соедините фразы ^[1].

Неверное ударение лечится другой записью слова, заменой на синоним или перестройкой фразы. Ведите список слов, которые стабильно подводят: они повторятся и в следующем уроке.

Важная оговорка: я озвучиваю в ElevenLabs на русском, английском, испанском и португальском, и там всё работает отлично. На иврите я там не озвучиваю, поэтому качество иврита проверяйте сами на коротком фрагменте, прежде чем браться за проект.

Как сравнивать версии до финальной озвучки?

Каждый раз генерируйте короткий фрагмент и сохраняйте версии вместе с настройками, с которыми они сделаны. Тогда можно вернуться к удачному варианту, а не подбирать всё заново. Возможности синтеза речи из текста описаны в официальной документации ^[2], и к ней стоит заглянуть, когда какая-то настройка непонятна.

Попросите кого-нибудь послушать версии, не зная, чем они отличаются. Неискушённое ухо быстро заметит то, к чему вы уже привыкли.

Фиксируйте решения письменно: какой голос выбран, какие настройки подошли и какие слова пришлось переписывать. Через несколько проектов у вас появится собственный короткий чек-лист, и озвучка станет заметно быстрее.

Что делать, если в озвучке остались огрехи?

Даже после хорошей подготовки иногда бывают проблемы. Тогда я прогоняю результат через сервисы, которые такие огрехи чистят, и только потом собираю его в ролик или урок.

Прослушайте готовую дорожку целиком в наушниках, а лучше ещё и на обычной колонке: так её услышат зрители. Если хотите разобрать весь процесс системно, у меня есть обучение по озвучке в ElevenLabs: подготовка текста, выбор голоса, ударения и паузы, несколько языков.

Вопросы и ответы

Источники

1. Best practices: prompting — ElevenLabs
2. Text to Speech — ElevenLabs