Как озвучить текст нейросетью

Что делает озвучка и сколько она стоит

Синтез речи в FatherGPT закрыт одной моделью — Озвучка (ElevenLabs), версия Multilingual v2. Вы отдаёте ей текст, она возвращает аудиофайл с человеческой речью: с дыханием, паузами, живой интонацией. Никакого микрофона, никакой обработки после — файл сразу можно тащить в монтаж или отправлять в чат.

Цена одной генерации — 200 токенов, и она плоская. Это важнее, чем кажется: озвучка на 60 знаков стоит ровно столько же, сколько на 990. Тот, кто гонит текст мелкими кусочками по одному предложению, платит за воздух. Как устроен сам счётчик, разобрано в справке про токены.

Работает и в веб-кабинете, и в Telegram-боте, баланс токенов общий. Разница только в удобстве: в вебе видно счётчик знаков и можно править текст прямо в поле, в боте быстрее отправить готовый кусок с телефона. Что кому подходит — в заметке Telegram или веб.

Путь от текста к файлу: пять шагов

1. Откройте раздел «Аудио» в кабинете. Там же живёт генерация музыки, но это отдельная модель — не перепутайте вкладку.
2. Выберите голос. Их 22; первыми в списке идут четыре опорных — Rachel (спокойная рассказчица), Sarah (мягкий женский), Brian (тёплый мужской) и George (глубокий мужской). Голос переключается одним нажатием и запоминается до следующей генерации.
3. Вставьте текст в поле. Под полем идёт счётчик вида 640/1000 — он показывает, сколько знаков уже набрано и сколько осталось до потолка.
4. Нажмите «Озвучить · 200т». Обычная генерация занимает от нескольких секунд до полуминуты, поле в это время можно не трогать.
5. Послушайте результат в плеере и скачайте файл кнопкой загрузки. Он же попадёт в вашу медиатеку, так что переслушать вчерашнюю дорожку получится и завтра.

Первую генерацию имеет смысл потратить не на весь текст, а на пробный абзац знаков на 300. Услышите темп голоса, поймёте, влезаете ли вы в нужный хронометраж, и только потом запускайте остальное. Пробник стоит те же 200 токенов, зато сэкономит вам три перегенерации.

Чего в интерфейсе нет

Нет ползунков скорости, высоты тона и «уровня эмоции». Поле с текстом читается буквально: всё, что вы туда напишете, будет произнесено. Строка «Подача: тёплая, с паузой перед второй фразой» не настроит модель — она прозвучит вслух, слово в слово, и вы потеряете 200 токенов на бессмыслицу. Управление интонацией идёт через сам текст и через выбор голоса, других рычагов нет.

Лимит 1000 знаков и как резать длинный текст

За одну генерацию модель принимает до 1000 знаков. Это не рекомендация, а жёсткая проверка на сервере: 1001 знак вернёт ошибку «Текст озвучки — до 1000 знаков» и генерация даже не начнётся. Токены при этом не спишутся, но время вы потеряете.

Тысяча знаков — это примерно минута речи в среднем дикторском темпе. Отсюда простой пересчёт: страница А4 обычного текста уйдёт в две-три генерации, статья на 5000 знаков — в пять, глава книги на 8000 — в восемь.

Резать по смыслу, а не по счётчику

Соблазн очевидный: копируем ровно 1000 знаков, отправляем, берём следующую тысячу. Так делать нельзя. Разрез на середине предложения даёт слышимый обрыв — интонация уходит вверх, будто человек собирался продолжить, и следующий файл начинается с новой мысли на ровном месте. Склейка таких кусков звучит как плохо смонтированное радио.

• Границу куска ставьте на конце абзаца или хотя бы на точке — там голос сам опускает интонацию вниз, и стык становится незаметным.
• Держите куски в диапазоне 700–950 знаков. Не 300: цена всё равно 200 токенов, и дробить мелко просто дорого.
• Если абзац не влезает целиком, ищите ближайшую точку до лимита, а не «докидывайте» половину следующего предложения.
• Нумеруйте файлы сразу при скачивании — 01, 02, 03. Четыре безымянных дорожки в папке «Загрузки» через час перестают отличаться друг от друга.

Разбить текст на куски по смыслу можно и не вручную: попросите об этом текстовую модель. GPT-5.6 Terra стоит 16 токенов и спокойно нарежет статью на блоки до 950 знаков с границами по абзацам — это в шестнадцать раз дешевле одной озвучки. Формулировка запроса простая: «раздели текст на части не длиннее 950 знаков, разрывы только на конце предложений, ничего не переписывай».

Паузы и темп: чем управлять, когда ползунков нет

Вся ритмика задаётся пунктуацией и структурой текста. Модель читает знаки препинания как режиссёрскую разметку, и это работает предсказуемее, чем любые словесные указания.

• Запятая — короткий вдох. Точка — пауза заметно длиннее и понижение интонации.
• Многоточие даёт самую долгую паузу внутри фразы. Два-три на весь текст, иначе речь начинает тянуться.
• Тире вместо запятой удлиняет разрыв и добавляет фразе весомости: «Это не ошибка — это выбор».
• Пустая строка между абзацами читается как смысловая пауза. В сплошной простыне без переносов голос идёт монотонно.
• Вопросительный знак поднимает интонацию в конце, восклицательный добавляет нажим — но не крик, на это рассчитывать не стоит.

Темп напрямую не выставляется, зато отлично регулируется длиной предложений. Короткие фразы через точку ускоряют речь и делают её собраннее. Длинное предложение с двумя придаточными, где мысль тянется через запятые и уточнения, звучит медленнее и спокойнее. Если вам нужен бодрый ролик — рубите текст на короткие предложения ещё до озвучки, а не ищите настройку скорости.

Ударения: почему модель их путает и как это чинить

Самая частая претензия к синтезу на русском — ударение не там. Причина простая: модель угадывает произношение по написанию и по частотности, а русский полон слов, где написание одинаковое, а ударение разное. Замо́к и за́мок, о́рган и орга́н, до́рог и доро́г — из голого текста понять, что имелось в виду, невозможно.

Отдельная боль — имена собственные. Фамилии, названия компаний, географические названия и всё, что редко встречается, модель произносит по общему правилу, а общего правила у имён нет. «Иванов» она прочитает, а вот незнакомую фамилию с двойной гласной — как повезёт.

Рабочие способы починки

1. Перепишите слово так, как оно звучит. Латиницу переводите в кириллицу: не «Nike», а «Найк». Это самый надёжный приём, потому что модель перестаёт переключаться на другой язык посреди фразы.
2. Замените слово синонимом. Если «замок» упорно читается как дверной, напишите «крепость» — на смысл фразы это чаще всего не влияет, а на звучание влияет полностью.
3. Перестройте фразу так, чтобы контекст встал рядом. «Старинный за́мок на горе» модель читает правильнее, чем одинокое «замок» посреди перечисления.
4. Разбейте сложное имя дефисом на слоги — иногда помогает, иногда нет, проверяйте на пробной генерации.
5. Знак ударения над гласной иногда срабатывает, но не гарантированно. Способ стоит держать четвёртым в очереди, а не первым.

Проверять правки на полном тексте невыгодно: каждая перегенерация — 200 токенов. Соберите все спорные слова в одну короткую фразу знаков на двести, озвучьте её один раз, послушайте — и уже потом запускайте чистовой текст с исправлениями.

Что пойдёт не так в первый раз

• Цифры прочитаются не так, как вы ожидали. «1500 ₽» может превратиться в «одна пятьсот рублей». Пишите числа словами — подробный разбор в статье про русскую озвучку.
• Аббревиатуры звучат непредсказуемо: где-то по буквам, где-то как слово. Расшифровывайте или записывайте произношение.
• Эмодзи и символы вроде «→» либо игнорируются, либо читаются названием. Чистите текст перед вставкой.
• Слишком длинное предложение теряет интонационный рисунок к концу — режьте на два.
• Если генерация упала на стороне провайдера, токены возвращаются на баланс автоматически. Перед тем как жать «Озвучить» второй раз, обновите счётчик и убедитесь, что списания не было.

Полностью «с первого раза» получается редко — обычно уходит две-три попытки на настройку текста и одна финальная. Заложите на первый ролик 600–800 токенов, дальше расход падает, потому что вы уже знаете, как готовить исходник.

Сколько озвучки помещается в каждый пакет

Считается в лоб: пакет делим на 200. Пробный день за 1 ₽ — 300 токенов, одна генерация. Неделя за 399 ₽ — 4500 токенов, 22 генерации, около 22 минут готового аудио. Месяц за 999 ₽ — 12 000 токенов, 60 генераций, примерно час звучания. Год за 8990 ₽ — 90 000 токенов, 450 генераций, порядка семи с половиной часов речи.

Ориентир по задачам: короткий ролик для соцсетей — одна-две генерации, обучающее видео на пять минут — пять-шесть, глава аудиокниги — восемь-девять. Отсюда видно, что недельный пакет закрывает разовую задачу, а регулярную работу с голосом надо считать по месяцам. Подробнее эта арифметика разобрана в материале про аудиокниги и подкасты.

Баланс общий на все 26 нейросетей: те же токены уходят на текст, картинки и видео. Если вы в один день пишете сценарий на текстовой модели и тут же его озвучиваете, планируйте расход целиком, а не по отдельным моделям. Как это устроено — на странице как это работает, остальные вопросы собраны в FAQ.

Частые вопросы