Как озвучить текст голосом — база знаний

Что это за задача

Озвучка текста — это когда у вас есть написанный текст (реклама, статья, реплика персонажа, объявление) и нужен файл с речью, которую можно вставить в видео, подкаст, ролик для соцсетей или использовать как есть. Результат — готовый аудиофайл, который можно скачать и использовать без монтажа голоса вживую.

Сюда попадает сразу несколько сценариев: озвучка рекламного ролика, начитка статьи для аудиоверсии, реплики персонажа в игре, голосовое сообщение для рассылки. В большинстве случаев достаточно готового голоса из библиотеки — записывать что-то самому не требуется.

Ниже — как выбрать модель и режим и как собрать текст, чтобы озвучка звучала естественно, а не как робот с ровным тоном.

Что понадобится

В Synty для озвучки текста доступны две модели:

Fish Audio S2.1 Pro — основной инструмент: библиотека голосов, 83 языка, контроль темпа, плюс отдельные режимы для создания и клонирования голоса. Озвучка текста стоит 150 SC за 1000 символов.
ElevenLabs TTS — три варианта качества: Turbo (от 250 SC за 1000 символов, быстро и дешевле), Multilingual (500 SC за 1000 символов, выше качество и точнее интонации) и Dialogue (500 SC за 1000 символов, для реплик с выраженной эмоциональной подачей).

Цена всегда считается блоками по 1000 символов с округлением вверх: текст на 1200 символов оплачивается как два блока, а не как 1.2. Итоговую сумму в SC вы видите до запуска генерации. Время ожидания зависит от длины текста — статус запроса виден прямо в интерфейсе.

Три разные задачи — не перепутайте

Здесь чаще всего путаются: это три разных инструмента с разной ценой и разным результатом.

Озвучка текста готовым голосом. Вы пишете текст и выбираете голос из готовой библиотеки — мужской или женский, разного возраста и стиля подачи. Ничего создавать не нужно, это базовый и самый дешёвый вариант. Подходит для 90% задач: реклама, статья, объявление, реплика без привязки к конкретному человеку.

Создание своего голоса по описанию. Вы не даёте образец записи, а словами описываете, каким должен быть голос — тембр, характер, манера речи. Модель создаёт новый голос с нуля по этому описанию. Нужен, когда в библиотеке нет подходящего варианта, а конкретного человека, чей голос нужно скопировать, у вас нет. В Fish Audio S2.1 Pro режим называется «Голос по описанию» и стоит 50 SC отдельно от последующей озвучки.

Клонирование голоса по образцу записи. У вас есть аудио конкретного человека — своё или чужое (с согласия) — и нужно, чтобы синтезированный текст звучал именно этим голосом. Это единственный способ повторить существующий, узнаваемый голос, а не подобрать похожий. Режим «Клонировать голос» стоит 200 SC. Чем чище образец — без музыки, шума и посторонних голосов — тем точнее клон; это влияет на сходство сильнее, чем любые настройки после.

Коротко: приятный голос для ролика — первый вариант. Голоса нет в библиотеке и записи ни у кого нет — второй. Есть запись конкретного человека и нужно повторить именно его — третий.

Ограничения — до того, как начнёте

Тарификация идёт блоками по 1000 символов с округлением вверх. Несколько коротких фрагментов выгоднее объединить в один запрос, чем отправлять по отдельности — иначе на каждом блоке будет переплата за округление.
Модель не понимает описания эмоций словами внутри текста. Фразы вроде «сказал он грустно» или «(смеётся)» будут прочитаны вслух буквально, а не сыграны голосом. Эмоция передаётся тем, как написан текст — длиной фраз, темпом, тем, где стоит пауза, — а не подписью к нему.
У режима клонирования нет гарантии идеального совпадения на слабом или зашумлённом образце — модель ориентируется на то, что реально слышно.
Голос иногда может немного сместить тон в середине длинной генерации — это особенность модели, не управляемая настройками. Проще перегенерировать, чем подгонять параметры.
Если генерация не завершилась успешно, списанные SC возвращаются на баланс автоматически.

Пошагово

Определите задачу. Готовый голос, новый по описанию или клон конкретного человека — от этого зависит режим (см. раздел выше).
Выберите модель. Fish Audio S2.1 Pro — библиотека голосов плюс, возможно, клонирование или создание голоса в одном месте. ElevenLabs TTS — если приоритет на качество интонации (Multilingual) или диалог с несколькими репликами (Dialogue).
Вставьте текст. Проверьте орфографию и пунктуацию заранее — модель озвучивает текст буквально, включая опечатки, и это слышно в результате.
Выберите голос. В библиотеке голоса размечены по полу, возрасту и сфере применения. Ищите голос под задачу, а не первый попавшийся.
Настройте параметры, если они есть. Темп, громкость, тон — не обязательны, но помогают подогнать голос под контекст.
Проверьте стоимость. До запуска вы видите число символов и итоговую сумму в SC с учётом округления по блокам.
Запустите синтез. Готовый файл доступен по прямой ссылке — вы можете сразу его скачать.

Разбор запроса

Пример текста для озвучки рекламного ролика:

ТЕКСТ. Открыли новую кофейню на Малой Ордынке. Свежая обжарка каждое утро,
никакого концентрата. Первый напиток — за наш счёт, просто покажите это
сообщение бариста.

ПОДАЧА. Голос мужской, тон дружелюбный, темп чуть быстрее разговорного.
Уверенно, но без напора и без интонаций телемагазина.

АКЦЕНТЫ. Ключевую мысль про бесплатный напиток выделить паузой перед ней,
а не громкостью. Адрес и слово «бариста» проговорить отчётливо, окончания
не глотать.

ТЕХНИЧЕСКОЕ. Ровная громкость, без фонового шума и музыки, паузы между
предложениями короткие.

Построчный разбор:

ТЕКСТ — то, что будет озвучено дословно. Без него генерировать нечего; это единственный обязательный блок.
ПОДАЧА — задаёт общий характер звучания: пол голоса выбирается в библиотеке, а тон и темп можно закрепить словами прямо в запросе, если подходящей настройки нет в интерфейсе. Без этого блока модель возьмёт нейтральную подачу по умолчанию — может не совпасть с задачей.
АКЦЕНТЫ — подсказка, где по смыслу важна пауза или чёткость, а не команда «повысь голос здесь». Если убрать блок, вся речь прозвучит ровно, без выделения ключевой мысли — реклама потеряется в общем потоке.
ТЕХНИЧЕСКОЕ — про формат звука, а не про содержание. Без него результат обычно нормальный, но блок полезен, если нужен чистый голос без пауз для последующего монтажа.

Для начитки статьи или реплики персонажа логика та же — меняется содержание блоков: вместо «АКЦЕНТЫ» может быть «СТРУКТУРА» с паузами между смысловыми частями, а вместо описания тона — указание, что эмоция должна быть слышна в темпе и дыхании, а не в подписанных ремарках вроде «зло» или «испуганно».

Типичные проблемы

Симптом	Причина	Что сделать
Голос читает вслух ремарки эмоций («сказал он грустно»)	Эмоция описана словами в тексте, а не показана через темп и паузы	Уберите ремарку из текста, передайте настроение длиной фраз и расстановкой пауз
Итоговая сумма SC больше, чем ожидали за короткий текст	Тарификация идёт блоками по 1000 символов с округлением вверх	Объединяйте несколько коротких фрагментов в один запрос вместо серии мелких
Числа и сокращения звучат криво или невнятно	Модель воспроизводит цифры и аббревиатуры не всегда так, как ожидается при чтении вслух	Запишите числа словами, аббревиатуры — так, как они реально произносятся
Тон голоса заметно меняется в середине длинного аудио	Особенность модели, не связанная с настройками	Перегенерируйте запрос — обычно повторный результат стабильнее
Клон звучит не похоже на оригинал, «роботизированно»	Слабый или зашумлённый образец записи	Используйте чистую запись без музыки, эха и посторонних голосов — от этого сходство зависит сильнее всего
Генерация не завершилась, файла нет	Сбой на стороне модели при обработке запроса	Списанные SC возвращаются на баланс автоматически — попробуйте запустить синтез заново

Чек-лист перед публикацией результата

Текст перед отправкой проверен на орфографию и пунктуацию, включая букву «ё» — это напрямую слышно в озвучке.
Числа записаны словами, а не цифрами.
В тексте нет ремарок эмоций словами — настроение задано темпом и паузами.
Файл прослушан целиком, а не только начало — на случай смены тона в середине.
Голос по полу, возрасту и подаче соответствует задаче и аудитории.
Итоговая стоимость сверена по числу блоков в 1000 символов до запуска.
Готовый файл скачан по прямой ссылке и сохранён отдельно от истории генераций.

Что дальше

Если нужно наоборот — превратить аудиозапись в текст, это отдельная задача распознавания речи, доступная в Fish Audio S2.1 Pro (режим «Речь → Текст»). Для готовых заготовок промптов под озвучку в библиотеке есть каркасы «Дикторская озвучка рекламы», «Начитка статьи — подкаст-формат» и «Характерный голос персонажа» — можно взять за основу и подставить свой текст вместо шаблонных блоков.