Cum faci voice-over cu o voce AI: ghid practic cu ElevenLabs

Pentru canalul nostru de YouTube TellMeWhy, o voce AI a citit 3.449 de propoziții, în total în jur de 395 de minute de narațiune în videoclipuri despre 94 de subiecte diferite. Totul s-a făcut cu ElevenLabs. Iată metoda care a funcționat la noi: cum pregătești textul, cum alegi și reglezi o voce, cum generezi pe bucăți ca narațiunea să curgă și cât costă, măsurat pe înregistrările noastre.

1. Scrie textul pentru ureche

Vocea citește exact ce scrii. Cel mai mult lucru economisești dacă scrii de la început pentru ascultare:

• Propoziții mai scurte. O frază lungă, plină de paranteze, vocea o citește, dar cine ascultă se pierde în ea.
• Numere, abrevieri și nume așa cum trebuie să sune. Multilingual v2 nu acceptă etichete de foneme, așa că, dacă un cuvânt iese greșit, scrie-l altfel (de exemplu cum se pronunță). Cuvintele care revin se corectează o dată pentru totdeauna într-un dicționar de pronunție.
• Pauze prin punctuație. Virgula, punctul, linia de pauză și punctele de suspensie fac pauze scurte. Mai precisă e eticheta <break time="1.0s" />, de cel mult 3 secunde. Merge cu Multilingual v2; modelele mai noi Eleven v3 și v4 nu o acceptă. Nu exagera: cu multe etichete, vocea poate începe să accelereze sau să scoată zgomote.

O cerere către Multilingual v2 primește cel mult 10.000 de caractere, la ritmul nostru cam 11 minute de narațiune. Noi generăm însă propoziție cu propoziție. O propoziție nereușită o refacem apoi separat, fără să plătim din nou tot textul.

2. Alege vocea cu aceeași propoziție

Biblioteca are sute de voci, iar mostrele lor sună mereu bine. Contează însă cum îți citesc textul. De aceea am pus fiecare voce candidată să citească aceeași propoziție din scenariul nostru și am ales ascultându-le una lângă alta.

Două reguli care ne-au folosit:

• Fiecare proiect are vocea lui. Videoclipurile de promovare ale site-ului nostru Outcomo au altă voce decât TellMeWhy, ca să nu le confunde nimeni.
• Nu schimba vocea pe parcurs. Când am schimbat vocea canalului, videoclipurile mai vechi au rămas cu cea inițială. Altfel, corectarea unei singure propoziții ar fi băgat în video o voce străină.

3. Setările vocii

Aceleași glisoare sunt în aplicație și în API. Așa le avem noi:

Setare	Implicit	Prima noastră voce	Vocea Will
Stabilitate (stability)	0,5	0,45	0,4
Asemănare (similarity_boost)	0,75	0,75	0,75
Stil (style)	0	0,15	0,2
Amplificarea vorbitorului (use_speaker_boost)	pornit	pornit	pornit
Viteză (speed)	1	1	1,05

• Stabilitatea arată cât de mult variază interpretarea. Mai mică dă mai multă emoție, mai mare o voce mai calmă și, la un moment dat, monotonă. Ale noastre sunt 0,45 și 0,4, sub valoarea implicită de 0,5, ca narațiunea să nu sune plat.
• Asemănarea spune cât de fidel se ține vocea de original. Lăsăm valoarea implicită.
• Stilul accentuează felul de a vorbi al vorbitorului original, dar încetinește generarea. Ne ajunge o valoare mică.
• Amplificarea vorbitorului crește asemănarea cu vocea originală. O avem pornită.
• Viteza 1 înseamnă ritm normal. Vocea Will vorbește la 1,05.

4. Generează propoziție cu propoziție și păstrează intonația

Când propozițiile se generează separat, fiecare poate începe cu altă intonație, iar rezultatul sună lipit din bucăți. API-ul are pentru asta doi parametri: previous_text și next_text, adică textul dinainte și de după propoziția curentă. Trimitem la fiecare cerere propozițiile vecine, iar trecerile sună continuu.

Dacă o propoziție nu iese bine, generează-o din nou: fiecare încercare sună puțin altfel. Dar economisește creditele: noi regenerăm doar propozițiile la care s-a schimbat textul, vocea sau setările. Restul rămâne cum e.

5. Subtitrările vin la pachet

Pe lângă sunet, ElevenLabs poate întoarce și momentul fiecărui caracter (cererea with-timestamps). Din el facem subtitrări cuvânt cu cuvânt, care se potrivesc exact pe voce. Din aceiași timpi am calculat și ritmul vorbirii de mai jos.

Cât costă

Cu Multilingual v2, fiecare caracter de text costă 1 credit. Se numără și spațiile, punctuația și etichetele de pauză. Pagina de prețuri ElevenLabs transformă creditele în minute ca și cum un minut ar avea 1.000 de caractere. La noi au ieșit 874 de caractere pe minut (la cele mai multe videoclipuri între 794 și 921), așa că aceleași credite ajung pentru ceva mai multă narațiune.

Plan	Credite pe lună	Minute din narațiunea noastră
Free	10.000	11
Starter	30.000	34
Creator	121.000	138
Pro	600.000	686

Planul gratuit dă 10.000 de credite pe lună, la noi cam 11 minute. Pentru a încerca voci ajunge. Licența comercială, adică pentru videoclipuri care aduc bani, pagina de prețuri o indică abia de la planul plătit Starter.

Pe scurt

1. Scrie pentru ureche: propoziții scurte, numere și nume cum se pronunță.
2. Alege vocea cu aceeași propoziție din textul tău și apoi nu o mai schimba.
3. Coboară stabilitatea sub valoarea implicită dacă vocea sună plat.
4. Generează propoziție cu propoziție și trimite textul vecin, ca narațiunea să curgă.
5. Regenerează doar ce s-a schimbat și ține minte că se plătesc și spațiile.

Te întrebi ce se întâmplă în interiorul unei inteligențe artificiale? Desenează o cifră sau o literă și vezi cum o recunoaște o rețea neuronală.