Jak nagrać lektora głosem AI: poradnik z praktyki z ElevenLabs

Na potrzeby naszego kanału TellMeWhy na YouTube głos AI przeczytał 3449 zdań, razem około 395 minut mowy w filmach na różne tematy (łącznie 94). Wszystko powstało w ElevenLabs. Oto sposób, który się u nas sprawdził: jak przygotować tekst, wybrać i ustawić głos, generować po kawałku, żeby mowa brzmiała płynnie, i ile to kosztuje według naszych własnych nagrań.

1. Pisz tekst do słuchania

Głos przeczyta dokładnie to, co napiszesz. Najwięcej pracy oszczędzisz, gdy od razu piszesz z myślą o słuchaniu:

• Krótsze zdania. Długie zdanie pełne wtrąceń głos przeczyta, ale słuchający się w nim zgubią.
• Liczby, skróty i nazwy tak, jak mają brzmieć. Multilingual v2 nie obsługuje znaczników fonetycznych, więc gdy słowo wychodzi źle, zapisz je inaczej (na przykład tak, jak się je wymawia). Powtarzające się słowa można raz na zawsze poprawić w słowniku wymowy.
• Pauzy interpunkcją. Przecinek, kropka, myślnik i wielokropek robią krótkie pauzy. Dokładniejszy jest znacznik <break time="1.0s" />, najwyżej na 3 sekundy. Działa w Multilingual v2, nowsze modele Eleven v3 i v4 go nie obsługują. Nie przesadzaj: przy wielu znacznikach głos może zacząć przyspieszać albo wydawać dodatkowe dźwięki.

Jedno zapytanie do Multilingual v2 przyjmie najwyżej 10 000 znaków, przy naszym tempie około 11 minut mowy. My jednak generujemy zdanie po zdaniu. Nieudane zdanie poprawiamy wtedy osobno i nie płacimy jeszcze raz za cały tekst.

2. Wybieraj głos po tym samym zdaniu

W bibliotece są setki głosów, a ich własne próbki zawsze brzmią dobrze. Liczy się jednak, jak przeczytają twój tekst. Dlatego każdy kandydujący głos przeczytał u nas to samo zdanie z naszego scenariusza, a wybieraliśmy, słuchając ich obok siebie.

Dwie zasady, które się opłaciły:

• Każdy projekt ma swój głos. Filmy promocyjne naszej strony Outcomo mówią innym głosem niż TellMeWhy, żeby nikt ich nie mylił.
• Nie zmieniaj głosu w trakcie. Kiedy zmieniliśmy głos kanału, starsze filmy zostały przy pierwotnym. Inaczej poprawka jednego zdania wstawiłaby do filmu obcy głos.

3. Ustawienia głosu

Te same suwaki są w aplikacji i w API. Tak mamy je ustawione:

Ustawienie	Domyślnie	Nasz pierwszy głos	Głos Will
Stabilność (stability)	0,5	0,45	0,4
Podobieństwo (similarity_boost)	0,75	0,75	0,75
Styl (style)	0	0,15	0,2
Wzmocnienie mówcy (use_speaker_boost)	włączone	włączone	włączone
Szybkość (speed)	1	1	1,05

• Stabilność określa, jak bardzo zmienia się sposób mówienia. Niższa daje więcej emocji, wyższa spokojniejszy, a w końcu monotonny głos. Nasze mają 0,45 i 0,4, czyli mniej niż domyślne 0,5, żeby narracja nie była płaska.
• Podobieństwo mówi, jak wiernie głos trzyma się oryginału. Zostawiamy domyślne.
• Styl wzmacnia sposób mówienia pierwotnego mówcy, ale spowalnia generowanie. Wystarcza nam mała wartość.
• Wzmocnienie mówcy zwiększa podobieństwo do oryginalnego głosu. Mamy je włączone.
• Szybkość 1 to normalne tempo. Głos Will mówi z szybkością 1,05.

4. Generuj po zdaniu i zachowaj intonację

Gdy zdania powstają osobno, każde może zacząć się inną intonacją, a całość brzmi jak sklejona. API ma na to dwa parametry: previous_text i next_text, czyli tekst przed bieżącym zdaniem i po nim. Przy każdym zapytaniu wysyłamy sąsiednie zdania i przejścia brzmią płynnie.

Gdy zdanie nie wyjdzie, wygeneruj je jeszcze raz: każda próba brzmi trochę inaczej. Oszczędzaj jednak kredyty: generujemy ponownie tylko zdania, w których zmienił się tekst, głos albo ustawienia. Reszta zostaje bez zmian.

5. Napisy w gratisie

Oprócz dźwięku ElevenLabs potrafi zwrócić czas każdego znaku (zapytanie with-timestamps). Z niego składamy napisy słowo po słowie, które dokładnie pasują do mowy. Z tych samych czasów policzyliśmy też tempo mowy poniżej.

Ile to kosztuje

W modelu Multilingual v2 każdy znak tekstu kosztuje 1 kredyt. Liczą się też spacje, interpunkcja i znaczniki pauz. Strona z cennikiem ElevenLabs przelicza kredyty na minuty tak, jakby minuta miała 1000 znaków. U nas liczba znaków na minutę wyniosła 874 (w większości filmów od 794 do 921), więc te same kredyty starczają na trochę więcej mowy.

Plan	Kredyty miesięcznie	Minuty naszej mowy
Free	10 000	11
Starter	30 000	34
Creator	121 000	138
Pro	600 000	686

Darmowy plan daje 10 000 kredytów miesięcznie, u nas około 11 minut. Na wypróbowanie głosów wystarczy. Licencję komercyjną, czyli na filmy, które zarabiają, cennik podaje dopiero od płatnego planu Starter.

Podsumowanie

1. Pisz do słuchania: krótkie zdania, liczby i nazwy tak, jak się je wymawia.
2. Wybieraj głos po tym samym zdaniu z twojego tekstu, a potem go nie zmieniaj.
3. Obniż stabilność poniżej domyślnej, jeśli głos brzmi płasko.
4. Generuj po zdaniu i wysyłaj sąsiedni tekst, żeby mowa była płynna.
5. Generuj ponownie tylko to, co się zmieniło, i pamiętaj, że płaci się też za spacje.

Ciekawi cię, co dzieje się w środku sztucznej inteligencji? Narysuj cyfrę albo literę i zobacz, jak rozpoznaje ją sieć neuronowa.