Jak namluvit text hlasem AI: návod z praxe s ElevenLabs

Pro náš YouTube kanál TellMeWhy jsme hlasem umělé inteligence namluvili 3 449 vět, dohromady zhruba 395 minut řeči ve videích na 94 různých témat. Všechno vzniklo v ElevenLabs. Tady je postup, který se nám osvědčil: jak připravit text, vybrat a nastavit hlas, jak generovat po částech, aby řeč zněla souvisle, a kolik to podle našich nahrávek stojí.

1. Připravte text tak, jak se má mluvit

Hlas přečte přesně to, co napíšete. Nejvíc práce ušetří, když text rovnou píšete pro poslech:

• Kratší věty. Dlouhé souvětí s vloženými větami hlas přečte, ale posluchač se v něm ztratí.
• Čísla, zkratky a cizí jména tak, jak se mají vyslovit. Model Multilingual v2 nepodporuje fonetické značky, takže když slovo vyslovuje špatně, napište ho jinak (třeba foneticky). Opakovaná slova se dají přepsat jednou provždy ve slovníku výslovnosti.
• Pauzy interpunkcí. Čárka, tečka, pomlčka a tři tečky udělají krátkou pauzu. Přesnější je značka <break time="1.0s" />, nejvýš na 3 sekundy. U Multilingual v2 funguje, novější modely Eleven v3 a v4 ji nepodporují. Nepřehánějte to: s mnoha značkami může hlas začít zrychlovat nebo vydávat zvuky navíc.

Jeden požadavek v Multilingual v2 vezme nejvýš 10 000 znaků, u našeho tempa zhruba 11 minut řeči. My ale generujeme po jednotlivých větách. Chybnou větu pak opravíme samostatně a nemusíme platit za celý text znovu.

2. Vyberte hlas podle stejné věty

V knihovně hlasů jsou stovky hlasů a jejich vlastní ukázky zní vždycky dobře. Rozhoduje ale, jak přečtou váš text. Proto jsme nechali každého kandidáta přečíst stejnou větu z našeho scénáře a vybírali poslechem vedle sebe.

Dvě pravidla, která se nám vyplatila:

• Každý projekt má vlastní hlas. Promo videa našeho webu Outcomo mluví jiným hlasem než kanál TellMeWhy, aby si je nikdo nepletl.
• Hlas za běhu neměňte. Když jsme kanálu změnili hlas, starší videa jsme nechali připnutá na ten původní. Oprava jedné věty by jinak vložila do videa cizí hlas.

3. Nastavení hlasu

Stejné posuvníky jsou v aplikaci i v API. Takhle je máme nastavené my:

Nastavení	Výchozí	Náš první hlas	Hlas Will
Stabilita (stability)	0,5	0,45	0,4
Podobnost (similarity_boost)	0,75	0,75	0,75
Styl (style)	0	0,15	0,2
Zesílení mluvčího (use_speaker_boost)	zapnuto	zapnuto	zapnuto
Rychlost (speed)	1	1	1,05

• Stabilita určuje, jak moc se projev mění. Nižší hodnota dává víc emocí, vyšší klidnější a časem monotónní hlas. Máme 0,45 a 0,4, tedy pod výchozími 0,5, aby vyprávění nebylo ploché.
• Podobnost říká, jak přesně se má držet původní hlas. Necháváme výchozí.
• Styl zesiluje projev původního mluvčího, ale generování zpomaluje. Stačí nám malá hodnota.
• Zesílení mluvčího zvyšuje podobnost s původním hlasem. Máme ho zapnuté.
• Rychlost 1 je normální tempo. Hlas Will mluví na 1,05.

4. Generujte po větách a navažte intonaci

Když se věty generují zvlášť, může každá začít jinou intonací a řeč pak zní jako slepená. API na to má dva parametry: previous_text a next_text, tedy text před a za aktuální větou. My k nim posíláme sousední věty u každého požadavku a přechody pak znějí souvisle.

Když se věta nepovede, vygenerujte ji znovu, každý pokus zní trochu jinak. Šetřete ale kredity: přegenerujeme jen věty, u kterých se změnil text, hlas nebo nastavení. Ostatní soubory zůstávají.

5. Titulky dostanete k tomu

Kromě zvuku umí ElevenLabs vrátit i čas každého znaku (požadavek s časovými značkami, with-timestamps). Z nich skládáme titulky slovo po slovu, takže sedí přesně na řeč. Ze stejných časů jsme spočítali i tempo řeči níže.

Kolik to stojí

U modelu Multilingual v2 stojí každý znak textu 1 kredit. Počítají se i mezery, interpunkce a značky pauz. Ceník ElevenLabs přepočítává kredity na minuty tak, jako by minuta měla 1 000 znaků. U nás vyšlo 874 znaků na minutu (u většiny videí mezi 794 a 921), takže stejné kredity vydají na trochu víc řeči.

Tarif	Kreditů měsíčně	Minut naší řeči
Free	10 000	11
Starter	30 000	34
Creator	121 000	138
Pro	600 000	686

Bezplatný tarif dává 10 000 kreditů měsíčně, u nás zhruba 11 minut. Na vyzkoušení hlasů to stačí. Komerční licenci, tedy použití ve videích, která vydělávají, ceník uvádí až od placeného tarifu Starter.

Shrnutí

1. Pište text pro poslech: krátké věty, čísla a jména tak, jak se vyslovují.
2. Vybírejte hlas podle stejné věty z vašeho textu a pak ho neměňte.
3. Stabilitu snižte pod výchozí hodnotu, jestli vám hlas zní ploše.
4. Generujte po větách a posílejte sousední text, ať řeč navazuje.
5. Přegenerujte jen to, co se změnilo, a počítejte s tím, že se platí i za mezery.

Chcete vidět, co se v umělé inteligenci děje uvnitř? Nakreslete číslici nebo písmeno a sledujte, jak je pozná neuronová síť.