Как заставить нейросеть читать текст живым голосом

Современные синтезаторы речи читают текст почти как диктор, но результат сильно зависит от настроек и подготовки материала. Одни и те же слова могут прозвучать как автоответчик или как спокойный рассказчик.

Фото: dejankrsmanovic, CC BY 2.0, Flickr

Разобраться стоит с тремя вещами: где взять сервис, как выбрать голос и что сделать с текстом, чтобы пропала механическая интонация.

Что умеют сервисы озвучки

Технология называется синтезом речи, или TTS (text to speech). Нейросеть получает текст и превращает его в аудио, учитывая ритм, ударения и интонацию. Старые синтезаторы склеивали записанные кусочки слов, поэтому звучали рублено. Современные модели генерируют звук целиком, и это даёт заметно более плавную речь.

Для русского языка есть несколько типов решений. Это облачные платформы крупных компаний, например Yandex SpeechKit и SaluteSpeech от Сбера, отдельные онлайн-сервисы озвучки, мобильные приложения и встроенные функции в редакторах видео. Набор голосов, языков и условий использования у них отличается и регулярно обновляется, поэтому актуальные возможности стоит смотреть на сайте конкретного сервиса.

Важный момент: у каждого сервиса свои правила коммерческого использования голоса. Если озвучка нужна для рекламы, курса или платного ролика, лицензию лучше прочитать заранее, а не после публикации.

Как выбрать голос

Первая ошибка новичков: выбирать голос по самому приятному тембру в демонстрации. Демо обычно записано на удачной фразе. Лучше загрузить в сервис кусок своего реального текста и послушать, как голос справляется с цифрами, названиями и длинными предложениями.

Полезно ориентироваться на задачу.

• Для обучающих материалов подходит ровный, спокойный голос без сильных эмоций.
• Для рекламы и коротких роликов нужен более энергичный и яркий вариант.
• Для аудиокниги важна устойчивость к длинному тексту и умение менять интонацию в диалогах.
• Для новостей и пояснений хорошо работает нейтральная дикторская манера.

Многие сервисы позволяют менять скорость, высоту и эмоциональную окраску. Небольшое замедление темпа часто делает речь естественнее, потому что человек в разговоре редко тараторит без пауз.

Отдельная категория: клонирование голоса. Технология создаёт цифровую копию голоса по образцам записи. Использовать её корректно можно только со своим голосом или с письменного согласия человека. Подделка чужого голоса для обмана недопустима и опасна, а разговоры о правовых последствиях лучше вести с юристом.

Паузы, ударения и числа

Роботизированность в основном появляется не из-за самой модели, а из-за подачи текста. Нейросеть читает то, что ей дали. Поэтому подготовка текста решает больше, чем выбор сервиса.

Работает несколько простых приёмов. Длинные предложения стоит разбивать на короткие: так появляются естественные паузы. Запятые и точки управляют ритмом, и иногда лишняя запятая делает фразу живее. Многоточие и новый абзац обычно дают более долгую паузу.

Многие сервисы поддерживают разметку, например формат SSML. С её помощью задают паузу определённой длины, ударение в слове, скорость отдельной фразы. Состав поддерживаемых тегов зависит от платформы, поэтому нужно открыть справку сервиса, а не переносить теги из одной системы в другую.

Ударения чаще всего ломаются в редких словах, фамилиях, названиях брендов и словах-омографах: «замок» и «замок», «атлас» и «атлас». Если сервис позволяет, ударение ставят знаком или пользовательским словарём произношений. Иногда помогает написать слово так, как оно должно звучать, например разбить английское название на слоги кириллицей.

Числа, даты и сокращения лучше расписывать словами. «5 тыс. руб.» модель может прочитать правильно, а может споткнуться, поэтому «пять тысяч рублей» надёжнее. То же касается аббревиатур: ИИ, ЕГЭ, ЖКХ читаются по-разному, и это стоит проверять на прослушивании.

Как убрать роботизированность

После первой генерации текст нужно послушать целиком, желательно в наушниках. Ошибки сразу слышны: странная интонация вопроса, ударение не на том слоге, слишком ровный темп.

Хорошо помогает работа по частям. Вместо одного огромного файла текст озвучивают абзацами и затем склеивают. Так проще перегенерировать неудачный фрагмент и не терять остальное. Эмоциональные или важные места иногда озвучивают с другими настройками скорости.

Живости добавляет и сам текст. Разговорный язык озвучивается лучше, чем канцелярский. Фразы, которые трудно произнести вслух человеку, нейросети тоже даются хуже. Простой тест: прочитать абзац вслух самому. Где запнулись, там запнётся и синтезатор.

Финальный штрих: лёгкая постобработка. В аудиоредакторе можно убрать лишнюю тишину, выровнять громкость, добавить тихую фоновую музыку. Музыка маскирует мелкие огрехи интонации и делает запись более цельной.

Где ещё используется озвучка и что дальше

Синтез речи давно вышел за рамки аудиокниг. Голосовые ассистенты вроде Алисы отвечают синтезированным голосом. Банки и службы поддержки применяют голосовых роботов для обработки звонков. Навигаторы озвучивают маршруты, библиотеки делают доступные версии книг для людей с нарушениями зрения, а образовательные платформы озвучивают уроки на нескольких языках.

В медиа нейросети помогают переводить ролики с сохранением голоса автора, а в играх озвучивают второстепенных персонажей. В бизнесе голосом читают уведомления, инструкции и корпоративные курсы, что заметно дешевле, чем студийная запись каждого обновления.

Перспектива понятна: голоса станут выразительнее, научатся передавать эмоции по указанию и менять манеру прямо по ходу рассказа. Вместе с этим усилится регулирование. Вероятно, появятся более чёткие требования к маркировке синтезированной речи и защите голоса как личных данных.

Пока же рецепт простой. Взять качественный сервис, проверить условия лицензии, подготовить короткие и понятные фразы, поправить ударения и послушать результат. Тогда озвучка звучит достаточно естественно для большинства задач.