Як озвучити текст голосом ШІ: практичний посібник з ElevenLabs

Для нашого YouTube-каналу TellMeWhy голос ШІ прочитав 3 449 речень, разом приблизно 395 хвилин мовлення у відео на різні теми (загалом 94). Усе це зроблено в ElevenLabs. Ось підхід, який у нас спрацював: як підготувати текст, вибрати й налаштувати голос, генерувати частинами, щоб мовлення звучало плавно, і скільки це коштує за нашими власними записами.

1. Пишіть текст для слуху

Голос прочитає саме те, що ви напишете. Найбільше роботи ви заощадите, якщо одразу писатимете для слухання:

• Коротші речення. Довге речення зі вставками голос прочитає, але слухачі в ньому загубляться.
• Числа, скорочення й імена так, як вони мають звучати. Multilingual v2 не підтримує фонетичних позначок, тож якщо слово звучить неправильно, напишіть його інакше (наприклад, так, як його вимовляють). Слова, що повторюються, можна раз і назавжди виправити у словнику вимови.
• Паузи розділовими знаками. Кома, крапка, тире й три крапки дають короткі паузи. Точніша позначка <break time="1.0s" />, найбільше на 3 секунди. Вона працює в Multilingual v2, а новіші моделі Eleven v3 і v4 її не підтримують. Не зловживайте: за великої кількості позначок голос може почати пришвидшуватися або видавати зайві звуки.

Один запит до Multilingual v2 приймає не більше 10 000 символів, за нашого темпу це приблизно 11 хвилин мовлення. Утім, ми генеруємо речення за реченням. Тоді невдале речення переробляємо окремо й не платимо вдруге за весь текст.

2. Обирайте голос за тим самим реченням

У бібліотеці сотні голосів, і їхні власні зразки завжди звучать добре. Але важливо, як вони прочитають ваш текст. Тому ми дали кожному голосу-кандидату прочитати те саме речення з нашого сценарію й обирали на слух, порівнюючи їх поруч.

Два правила, які себе виправдали:

• У кожного проєкту свій голос. Промовідео нашого сайту Outcomo звучать іншим голосом, ніж TellMeWhy, щоб їх ніхто не плутав.
• Не змінюйте голос посеред роботи. Коли ми змінили голос каналу, старіші відео залишили з початковим. Інакше виправлення одного речення вставило б у відео чужий голос.

3. Налаштування голосу

Ті самі повзунки є і в застосунку, і в API. Ось як їх налаштовано в нас:

Налаштування	За замовчуванням	Наш перший голос	Голос Will
Стабільність (stability)	0,5	0,45	0,4
Схожість (similarity_boost)	0,75	0,75	0,75
Стиль (style)	0	0,15	0,2
Підсилення мовця (use_speaker_boost)	увімкнено	увімкнено	увімкнено
Швидкість (speed)	1	1	1,05

• Стабільність визначає, наскільки змінюється манера мовлення. Нижча дає більше емоцій, вища — спокійніший, а згодом монотонний голос. У нас 0,45 і 0,4, тобто нижче за стандартні 0,5, щоб розповідь не звучала пласко.
• Схожість показує, наскільки точно голос тримається оригіналу. Залишаємо за замовчуванням.
• Стиль підсилює манеру оригінального мовця, але сповільнює генерування. Нам вистачає невеликого значення.
• Підсилення мовця збільшує схожість з оригінальним голосом. У нас воно ввімкнене.
• Швидкість 1 — це звичайний темп. Голос Will говорить зі швидкістю 1,05.

4. Генеруйте речення за реченням і зберігайте інтонацію

Коли речення генеруються окремо, кожне може починатися з іншою інтонацією, і все звучить як склеєне. В API для цього є два параметри: previous_text і next_text, тобто текст перед поточним реченням і після нього. Ми надсилаємо сусідні речення з кожним запитом, і переходи звучать плавно.

Якщо речення не вдалося, згенеруйте його ще раз: кожна спроба звучить трохи інакше. Але заощаджуйте кредити: ми повторно генеруємо лише речення, у яких змінився текст, голос або налаштування. Решта лишається як є.

5. Субтитри в подарунок

Крім звуку, ElevenLabs може повернути час кожного символу (запит with-timestamps). З нього ми складаємо субтитри слово за словом, які точно збігаються з мовленням. З тих самих часів ми порахували й темп мовлення нижче.

Скільки це коштує

У моделі Multilingual v2 кожен символ тексту коштує 1 кредит. Рахуються також пробіли, розділові знаки й позначки пауз. Сторінка цін ElevenLabs перераховує кредити на хвилини так, ніби хвилина мала 1 000 символів. У нас кількість символів на хвилину становила 874 (у більшості відео від 794 до 921), тож тих самих кредитів вистачає на трохи більше мовлення.

Тариф	Кредитів на місяць	Хвилин нашого мовлення
Free	10 000	11
Starter	30 000	34
Creator	121 000	138
Pro	600 000	686

Безкоштовний тариф дає 10 000 кредитів на місяць, у нас це приблизно 11 хвилин. Щоб випробувати голоси, цього досить. Комерційну ліцензію, тобто для відео, які заробляють гроші, сторінка цін указує лише від платного тарифу Starter.

Коротко

1. Пишіть для слуху: короткі речення, числа й імена так, як їх вимовляють.
2. Обирайте голос за тим самим реченням із вашого тексту, а потім не змінюйте його.
3. Знизьте стабільність нижче за стандартну, якщо голос звучить пласко.
4. Генеруйте речення за реченням і надсилайте сусідній текст, щоб мовлення було плавним.
5. Генеруйте повторно лише те, що змінилося, і пам’ятайте, що платити доводиться й за пробіли.

Цікаво, що відбувається всередині штучного інтелекту? Намалюйте цифру чи літеру й подивіться, як її розпізнає нейромережа.