Коротко
Зачем озвучивать ролик синтезом, а не своим голосом?
У меня есть видеоконтент-завод: конвейер, который собирает вертикальные ролики про мои продукты из сценария, скриншотов и озвучки. Первый ролик про сервис замера видимости бренда вышел на 57,9 секунды: 13 реплик, 135 слов. Дальше были серия из трёх роликов про Zaletai и пять роликов для окна «Как пользоваться» внутри сервиса.
Записывать всё это своим голосом можно. Но каждая правка текста тогда означает новую запись, свет, микрофон и дубли. Синтез превращает правку в строчку текста. Для экспертных роликов с моим лицом я по-прежнему снимаюсь сам, о съёмке я писал в разборе как снимать короткое видео на телефон.
Черновой голос и чистовой: почему первое прослушивание решает
На первом ролике я на этом и споткнулся. Черновик собрался целиком, со звуком и субтитрами.
Его послушал заказчик, то есть я сам в роли владельца продукта. Вердикт был короткий: ужасный голос. Технически всё было правильно, голос стоял ради тайминга. Ошибка была в подаче: надо было сказать до прослушивания, что это временный звук, и сразу показать образцы чистовых голосов.
Правило, которое я вынес: черновик со служебным голосом показывать только с подписью, а выбор чистового голоса делать до сборки, на трёх-четырёх образцах одной и той же фразы из сценария.
Образцы удобнее сравнивать на самой трудной фразе сценария: с числом, названием продукта и перечислением. На простой фразе хорошо звучат все голоса, разница видна только там, где синтезу приходится угадывать. И слушать образцы стоит через динамик телефона, а не в студийных наушниках: зритель короткого ролика услышит голос именно так.
Второе, что стоит решить до сборки, - темп. Для ролика в ленту голос должен звучать бодрее, чем в аудиокниге, но без скороговорки. Если реплика не влезает в отведённые секунды, её сокращают, а не ускоряют: ускоренный синтез начинает глотать окончания.
Как писать текст под синтез речи?
Синтез читает ровно то, что написано, и угадывает всё, что не написано. Поэтому сценарий под озвучку я держу по таким правилам.
| Что в тексте | Как писать для голоса | Почему |
|---|---|---|
| Число «57,9 с» | «почти минута» или «пятьдесят восемь секунд» | Запятую и сокращение голос читает непредсказуемо |
| Название сервиса латиницей | Проверить на образце, при необходимости дать транскрипцию | Ударение и чтение по буквам |
| Длинное предложение с придаточными | Две короткие реплики | Синтез теряет интонацию к концу фразы |
| Перечисление через запятую | Не больше трёх пунктов | Длинный список звучит монотонно |
| Слово с двумя ударениями | Заменить синонимом | Голос выберет не то |
Текст для голоса и текст для субтитров - один и тот же текст. Если в субтитрах «58 секунд», а голос говорит «почти минута», зритель спотыкается. Сценарий удобнее сразу писать под голос, как я разбирал в статье про сценарий для короткого видео.
Почему озвучка идёт по репликам, а не одним файлом?
На заводе каждая реплика озвучивается отдельно, а готовый звук запоминается по отпечатку текста реплики. Изменилась фраза - изменился отпечаток - озвучивается только она. Не изменилась - звук берётся из сохранённого и денег не стоит.
Это решение окупилось на онбординге. Синтез смазал «на сайте» в «на сете». Переозвучивать пять роликов целиком не пришлось: реплику переписали, она одна ушла в синтез, остальное подтянулось из сохранённого. Цена правки - доли кредита.
Тот же подход годится и без своего конвейера. Если делаешь озвучку в любом сервисе, нарезай текст на реплики и храни файлы с понятными именами. Через неделю, когда поменяется цена или название кнопки, переозвучишь одну строку, а не весь ролик.
Тайминг по звуку: картинка подстраивается под голос
На заводе ИИ-агент сначала получает звук всех реплик, считает их длину и только потом раскладывает кадры. Субтитры идут караоке: слова появляются по мере произнесения и накапливаются в строке. Так зритель без звука читает ровно то, что звучит.
Озвучить реплики
Каждая реплика - отдельный файл. Длина файла и есть длина куска ролика.
Собрать временную шкалу
Кадры и плашки ставятся на отрезки реплик. Смена кадра попадает на начало фразы, а не в её середину.
Наложить субтитры по словам
Слова появляются в момент произнесения. Без этого субтитры отстают или забегают вперёд.
Проверить общую длину
Для вертикального ролика моя рамка - от 45 до 60 секунд. Не влезли - режется текст, а не скорость голоса.
Про субтитры и паузы в обычном монтаже живой съёмки я подробно писал в статье монтаж коротких видео нейросетью.
Как проверить озвучку, не слушая её десять раз?
Слух подводит именно на своём тексте: ты знаешь, что там должно быть, и мозг подставляет правильное слово. Поэтому на заводе проверка озвучки идёт в два прохода.
- Расшифровка. Звук каждого ролика прогоняется через распознавание речи, текст сверяется со сценарием. Расхождения выписываются списком.
- Кадры. Из готового видео вынимаются стоп-кадры и просматриваются глазами: не закрыт ли текст субтитрами, читаются ли цифры, совпадает ли картинка с репликой.
Обе проверки дешевле, чем выпустить ролик с ошибкой. Смазанное слово в продуктовом ролике звучит как небрежность продукта.
Сколько стоит озвучка ролика?
Серия из трёх роликов про Zaletai по 54-58 секунд ушла меньше чем в семь кредитов сервиса озвучки. Пять роликов для онбординга, четыре коротких по шагам и один общий на две с лишним минуты, обошлись примерно в четыре с половиной кредита.
Главная экономия даже не в деньгах, а во времени правки. Поменялась формулировка в продукте - переозвучил одну реплику за минуту и пересобрал ролик.
Частые вопросы
Частые вопросы
Главный вывод
Самая дорогая ошибка в этой работе - не технический сбой, а первое прослушивание без предупреждения. Начни с выбора голоса на образцах, потом собирай.
Практический шаг: возьми сценарий своего ближайшего ролика, разбей его на реплики по одной мысли и перепиши числа словами. Уже это снимет половину будущих переозвучек.
Какие ролики в твоём контенте устроены одинаково и могли бы обойтись без записи голоса?