Как озвучить текст нейросетью

Озвучка нужна для роликов, уроков, презентаций и аудиоверсий статей. Звать диктора ради каждой правки в сценарии долго, а нейросеть перечитает исправленный абзац сразу и тем же голосом. Ниже показано, как это сделать в разделе «Музыка и звуки» tenzor и как добиться правильных ударений и пауз, если отдельных настроек для них нет.

Чтобы озвучить текст нейросетью, откройте раздел «Музыка и звуки», вкладку «Озвучка», вставьте текст до 5000 знаков, выберите движок и голос (кнопка «Прослушать» даёт услышать его заранее) и нажмите «Озвучить». Готовый mp3 появится под формой, его можно скачать. Тысяча знаков стоит около 30 ₽ на движке Multilingual v2 и около 20 ₽ на быстрых, а ударения и паузы правятся самим текстом: буквой «ё», знаками препинания и числами, записанными словами.

Как озвучить текст по шагам

1. Откройте раздел «Музыка и звуки» и переключитесь на вкладку «Озвучка»: по умолчанию там открыта «Музыка».
2. Вставьте текст в поле «Введите текст для озвучки…». Счётчик справа показывает, сколько знаков занято из 5000.
3. В первом чипе выберите движок: «Multilingual v2 (лучшее качество)», «Turbo v2.5 (быстрый)» или «Flash v2.5 (самый быстрый)».
4. Во втором чипе откройте список голосов и послушайте варианты кнопкой «Прослушать».
5. Нажмите «Озвучить за N ₽». Готовая дорожка появится в ленте под формой, там же кнопка «Скачать».

Так звучит короткий прогноз погоды на Multilingual v2 женским голосом из списка:

Текст был такой: «Доброе утро! Сегодня в Москве до плюс двенадцати, после обеда возможен короткий дождь, так что зонт лучше взять с собой. Пробки пока небольшие, до центра — около сорока минут.» Это 175 знаков, озвучка обошлась примерно в 5 ₽ и длится 13 секунд. Отсюда удобная прикидка для хронометража: тысяча знаков звучит чуть больше минуты.

Какой движок и голос выбрать

У голосов в списке подписаны пол и возраст, у многих ещё и манера. Образец по кнопке «Прослушать» даёт представление о тембре, а как голос справится с вашими словами, слышно только на вашем тексте. Поэтому финальный выбор делайте так: озвучьте одну и ту же пару фраз из своего текста двумя-тремя голосами и сравните. Каждая проба стоит несколько рублей и спасает от переделки всего ролика.

Для обучающего ролика подходит ровный спокойный голос, для рекламы энергичный, для аудиокниги такой, который не утомляет через десять минут. Тембр выбранного голоса от запуска к запуску не меняется, так что серию роликов можно озвучивать частями. Интонация от раза к разу немного гуляет, это нормально.

Как поправить ударения, паузы и интонацию

Отдельных настроек ударений, пауз и скорости в озвучке нет. Всё решает текст, и несколько приёмов закрывают почти все проблемы:

• Ставьте «ё». Без неё «все» и «всё», «небо» и «нёбо» читаются как придётся.
• Омографы вроде «замок», «мука», «атлас» проще заменить синонимом или перестроить фразу, чем надеяться на удачу.
• Числа, даты и суммы пишите словами: «двадцать пятого сентября», «тысяча двести рублей». Цифры нейросеть склоняет не всегда верно.
• Сокращения раскрывайте: «то есть» вместо «т. е.», «улица» вместо «ул.». Иностранные названия пишите кириллицей так, как их произносят.
• Паузы задаются знаками препинания. Запятая даёт короткую паузу, точка подлиннее, новый абзац ещё длиннее. Многоточие даёт паузу-заминку, но срабатывает не всегда.
• Интонацию подсказывают вопросительный и восклицательный знаки. Длинное предложение с тремя придаточными любой голос прочитает монотонно, два коротких звучат живее.

Если одна фраза прозвучала неудачно, весь текст переозвучивать не нужно. Каждый запуск звучит немного иначе, поэтому озвучьте заново только эту фразу и замените её в редакторе. Короткий кусок стоит пару рублей.

Как озвучить видео, презентацию или аудиокнигу

Для видео порядок такой: пишете текст по сценам, озвучиваете, скачиваете mp3 и кладёте дорожку на таймлайн в любом видеоредакторе, хоть в телефонном. Удобнее озвучивать каждую сцену отдельным файлом. Так проще подогнать звук под картинку и переделать один кусок, не трогая остальные.

Если нужен человек в кадре, который произносит ваш текст, в разделе «Видео» есть режим «Говорящий аватар». Загружаете портрет анфас и готовую озвучку, и человек на фото говорит этим голосом. Своего поля для текста в режиме нет, поэтому mp3 делается здесь, во вкладке «Озвучка». Режим открывается после первого пополнения баланса, секунда речи стоит около 10 ₽. Пример разобран в инструкции видео-поздравление от Деда Мороза.

Презентацию озвучивайте по слайдам, один файл на слайд: звук легко вставить в PowerPoint и перезаписать после правок только нужный слайд. Для аудиокниги делите текст на части до 5000 знаков по границам абзацев, озвучивайте одним движком и одним голосом, а файлы нумеруйте по порядку.

Можно ли использовать озвучку в коммерческих целях

Озвучку можно ставить в свои ролики, уроки, презентации и подкасты. По оферте сервиса права на сгенерированный результат переходят к пользователю в том объёме, который допускает закон, и использовать его можно в том числе в коммерческих целях. Но правовой статус сгенерированного контента в России пока до конца не устоялся, и отвечает за публикацию её автор. Перед рекламной кампанией, эфиром или большим тиражом сверьте условия площадки, а в спорных случаях покажите проект юристу.

Сколько стоит озвучка текста

Считаются все знаки, включая пробелы и знаки препинания. Сумма видна на кнопке «Озвучить» ещё до запуска.

Как устроен счёт, разобрано в статье про токены и кредиты.

Что дальше

• ElevenLabs на русском: что умеют движки озвучки и дубляжа.
• Gemini 3.8 TTS: голос по описанию: куда движется синтез речи.
• Транскрибация аудио в текст: обратная задача, запись в текст.
• Поздравление с днём рождения нейросетью: текст, песня и видео для праздника.

Частые вопросы