Перевести текст и озвучить его голосом

Почему это два шага, а не один

Перевод и синтез речи — разные модели с разными задачами. Переводит текстовая модель, озвучивает — модель синтеза. Соединять их в одну кнопку заманчиво, но вредно: вы теряете возможность вычитать перевод до того, как он превратится в звук.

А вычитывать надо всегда. Ошибка в тексте на экране правится за секунду; та же ошибка, уже озвученная и вставленная в монтаж, стоит переделки всего фрагмента и ещё 200 токенов.

Порядок работы

1. Переведите текст в чате, задав тип текста, адресата и тон — как описано в статье про нейросеть-переводчик.
2. Прочитайте перевод глазами. Ищите не смысл, а произносимость: длинные придаточные, стечения согласных, аббревиатуры.
3. Попросите ту же модель адаптировать текст под чтение вслух: короче предложения, меньше вводных, числа словами.
4. Разбейте результат на куски до 1000 знаков по границам предложений.
5. Озвучьте каждый кусок в Озвучке (ElevenLabs), одним и тем же голосом.

Как подготовить текст, чтобы озвучка не подвела

Синтез читает ровно то, что написано, и не догадывается о ваших намерениях. Отсюда простые правила, одинаковые для любого языка.

• Числа и даты — словами: «две тысячи двадцать шестой» вместо «2026».
• Аббревиатуры — разворачивать или писать так, как они произносятся.
• Имена и топонимы, где возможна ошибка ударения, — писать фонетически.
• Паузы задаются знаками препинания: точка длиннее запятой, многоточие ещё длиннее.
• Никаких режиссёрских пометок в поле текста — они будут прочитаны вслух.

Последний пункт стоит подчеркнуть: в поле озвучки уходит буквально то, что вы туда вписали. Строка «Подача: тёплая» превратится в фразу, которую диктор зачитает. Подробности — в статье про качество русской озвучки.

Языки и голоса: что важно знать заранее

Модель синтеза называется Multilingual v2 и знает много языков — русский и английский среди них уверенно. Но список конечен, и редкие языки в него могут не входить.

Проверяется это за одну генерацию: возьмите короткую фразу на нужном языке и послушайте. 200 токенов — недорогая цена за определённость до того, как вы спланируете под это проект.

Голосов 22 — 11 женских, 10 мужских и один нейтральный. Они одни и те же для всех языков; отдельного «носителя языка» под каждую локаль нет. Для дикторского закадра это нормально, для дубляжа с характерами персонажей — нет.

Сколько стоит связка

Перевод в чате стоит немного — это обычный текстовый запрос. Основная цена в озвучке: 200 токенов за генерацию, плоско, до 1000 знаков.

Материал на 4 000 знаков — это четыре генерации, 800 токенов, плюс перевод и одна-две переделки. В месячный пакет на 12 000 токенов таких материалов помещается около десяти, и это с запасом на текстовые запросы. Цены — на странице тарифов.

Разбор на примере: ролик на английском

Допустим, есть русский сценарий обучающего ролика на 3 500 знаков, нужна английская озвучка.

1. Перевод в чате с указанием: обучающее видео, аудитория — начинающие, тон дружелюбный, термины оставить принятыми в отрасли.
2. Просьба адаптировать под чтение вслух. Модель разбивает длинные предложения и убирает конструкции, которые трудно произнести.
3. Вычитка глазами: проверяются числа, названия продуктов, имена.
4. Разбивка на четыре куска по границам смысловых блоков, каждый до 1000 знаков.
5. Четыре генерации одним голосом — например Brian.
6. Сборка в монтаже: между кусками нужна пауза 0,3–0,5 секунды, иначе стык слышен.

Итого 800 токенов на озвучку плюс текстовые запросы. Времени — около получаса, из которых на сам синтез уходит меньше минуты, а всё остальное занимает подготовка.

Типичные ошибки этой связки

• Озвучивают перевод, не прочитав его. Ошибка, найденная на слух, стоит переделки всего куска.
• Оставляют в тексте английские сокращения вроде «e.g.» и «etc.» — они читаются буквально и звучат странно.
• Меняют голос между кусками одного материала. На стыке это слышно мгновенно.
• Режут текст ровно по 1000 знаков, обрывая предложение. Пауза встаёт в середине фразы.
• Забывают, что режиссёрские пометки в поле озвучки читаются вслух.

Отдельно про числа: «2026» модель может прочитать как «двадцать двадцать шесть» или «две тысячи двадцать шесть» в зависимости от языка и окружения. Если год важен — пишите словами, это дешевле, чем переслушивать.

Частые вопросы