Синтез речи перестал быть игрушкой и стал обычным инструментом в наборе: озвучить инструкцию, собрать голосовое уведомление, сделать аудиоверсию документации. Разбираем практическую часть – из чего складывается результат, что делают настройки, какие форматы на выходе и где технология ломается.
Из чего состоит задача
Современный синтез речи это не склейка записанных слогов, как в голосовых меню прошлого десятилетия, а генерация звуковой волны по смыслу текста. Отсюда два следствия, важных на практике.
Первое: результат зависит от пунктуации сильнее, чем кажется. Точка, запятая и абзац влияют на паузы и мелодику. Текст, написанный сплошняком без знаков, читается сплошняком.
Второе: модель не понимает сокращений и форматов данных. Запись «до 10 Мбит/с» или «см. п. 3.2» она читает буквально, как написано. Если озвучиваете техническую документацию, прогоните текст предобработкой и разверните сокращения словами. Это ровно тот случай, когда десять строк скрипта на замену экономят час перегенераций.
Настройки, которые реально влияют
В интерфейсах синтеза обычно есть три параметра со значениями от нуля до единицы, и назначение у них не всегда очевидное из названия.
Стабильность отвечает за разброс интонации между запусками. Низкое значение дает более эмоциональное и менее предсказуемое чтение, высокое – ровное и повторяемое. Для документации и справочных материалов берут высокое, иначе один и тот же абзац при перегенерации зазвучит иначе, и стык в смонтированной дорожке будет слышен.
Схожесть подтягивает результат ближе к эталонному тембру выбранного голоса и убирает лишние призвуки. Стиль сдвигает подачу от нейтральной к выраженной, и именно он чаще всего портит результат, если выкручен на максимум.
Рабочий подход инженерный: зафиксируйте один тестовый абзац, прогоните три набора настроек, сохраните тот, что подошел, и дальше используйте его как пресет. Подбирать каждый раз заново смысла нет.
Что на выходе
Практически везде результат отдается в mp3. Для монтажа и для встраивания в ролик этого достаточно, для дальнейшей обработки в аудиоредакторе сжатие придется учитывать: повторное сохранение после правок съедает качество, поэтому правки лучше делать один раз.
Из России прямой доступ к сильным зарубежным моделям синтеза закрыт, нужна иностранная карта и обычно VPN. Рабочий способ – агрегаторы: синтез идет в браузере, оплата российской картой, готовый mp3 скачивается напрямую, без туннеля. Как выглядит такой интерфейс с выбором голоса и теми самыми тремя ползунками, можно посмотреть здесь.
Обратная задача: речь в текст
На тех же площадках обычно есть распознавание речи: загружаете аудиофайл и получаете расшифровку, русский в списке языков есть.
Сценарии, где это выручает: расшифровка созвона, из которой собирается список задач; черновик субтитров к ролику; поиск нужного момента в часовой записи по тексту вместо перемотки. Точность на чистой записи высокая, на записи с двух микрофонов в шумном помещении заметно падает, поэтому качество входа решает больше, чем выбор модели.
Третий режим, который встречается рядом, – генерация звуковых эффектов по описанию. Шум дождя, шаги, щелчок. Для прототипа интерфейса или чернового монтажа это быстрее, чем искать сэмпл в библиотеке.
Где технология ломается
Имена собственные и термины. Фамилии, названия компаний, аббревиатуры модель читает по общим правилам языка и регулярно промахивается с ударением. Лечится записью слова в транскрипции прямо в тексте: пишете так, как должно звучать.
Смешанный язык. Русская фраза с английским термином внутри читается с русским акцентом, иногда буквами. Если в тексте много терминов, проверяйте каждый первый абзац, а не финальный файл целиком.
Длинные монотонные куски. На дистанции в десятки минут ровная подача начинает утомлять сильнее человеческой. Разбивайте длинный материал на части и меняйте темп между разделами.
Правовая часть, о которой забывают
Синтезированную речь нельзя выдавать за голос конкретного живого человека, и это не формальность. Клонирование голоса по короткому образцу технически доступно, и именно на этом построены телефонные схемы с поддельным звонком от родственника.
Для рабочих задач правило простое: закадровый голос, который никого не изображает, – нормально. Голос, похожий на конкретного человека, без его письменного согласия – нет, независимо от того, насколько безобидным кажется применение.
Итого
Синтез речи сегодня решает задачу «нужен внятный закадровый голос, а диктора нет» практически полностью. Основная работа сместилась с подбора технологии на подготовку текста: развернуть сокращения, расставить знаки, проверить имена, зафиксировать пресет настроек. Сделаете это один раз – дальше озвучка перестает быть отдельным этапом и становится такой же рутиной, как экспорт файла.
