ИИ-озвучка текста на русском: чтобы не было слышно, что это нейросеть

Минута ролика — это примерно 1–1,5 тысячи символов текста.

Я озвучиваю нейросетью каждый ролик. Сотни штук.

И главное, что я понял: зрителю всё равно, нейросеть это или нет. Ему не всё равно, скучно или нет. Ниже — как сделать, чтобы было не скучно.

Какой сервис выбрать

ElevenLabs. Самые живые русские голоса, библиотека готовых голосов, клон своего голоса, теги эмоций прямо в тексте. Я работаю на нём.

Российские синтезаторы (например, Yandex SpeechKit). Стабильно, оплата картой РФ, хороши для автоответчиков и ботов. Для эмоциональных историй звучат ровнее, «дикторски».

Озвучка внутри генераторов видео. Удобно, но голос обычно хуже и не настраивается.

Сколько стоит ElevenLabs (ноябрь 2026)

• Free — 10 тысяч символов в месяц, без коммерческой лицензии.
• Starter — около $6 в месяц, 30 тысяч символов, уже можно в коммерцию и клонировать голос.
• Creator — около $22 в месяц, больше 100 тысяч символов.

На практике: 30 тысяч символов — это 20–30 минутных роликов в месяц. Цены меняются, сверяйтесь с сайтом.

Оплатить из России напрямую нельзя — те же способы, что и для нейросетей, разобраны тут.

Пять правил живого голоса

1. Первые три секунды — без шёпота.

Это не вкусовщина. Я сравнил 17 своих роликов: там, где начало было тише остального, пропускали в среднем 64% зрителей. Где начало обычной громкости — 43%. Атмосферный шёпот можно, но с пятой секунды.

2. Ударения ставьте сами.

Нейросеть путает «зА́мок» и «замО́к», а иногда портит самые обычные слова. У нас было: в слове «договор» модель выдала «довевор». Лечится знаком ударения в тексте (символ ́ после ударной гласной) и проверкой.

3. Проверяйте распознаванием.

Прогоните готовую озвучку через распознавание речи и сравните с текстом. Все «довеворы» вылезут сразу. Это 30 секунд, а спасает от позора в комментариях.

4. Ужимайте паузы, но не убивайте.

Длинные паузы между фразами — главный убийца удержания в Shorts. Я сжимаю их примерно до 0,2 секунды. А вот драматичную паузу перед поворотом оставляю.

5. Громкость под соцсети.

Выравнивайте итоговый ролик примерно до −14 LUFS. Звуковые эффекты — тише голоса и приглушаются, когда говорят.

Клон своего голоса

Можно озвучивать своим голосом, не записывая каждый ролик.

• нужно несколько минут чистой записи без музыки и эха;
• лучше говорить в той манере, в какой будут ролики: если ролики эмоциональные — и запись эмоциональная;
• чужой голос клонировать можно только с согласия человека.

Клон обычно звучит чуть выше и ровнее оригинала. Для коротких роликов это незаметно, для длинных — лучше подобрать отдельный «рассказчицкий» голос.

Теги эмоций

В новых моделях ElevenLabs можно писать подсказки прямо в тексте: [serious], [whisper], [speaking quickly]. Модель меняет подачу на этом куске.

Совет: не обвешивайте тегами каждую фразу. Один тег на смысловой блок — и голос звучит естественно.

Но есть нюанс

Ускорение «в лоб» портит голос. Если растянуть или ускорить аудио простым фильтром сильнее чем на 5–8%, появляется металлический призвук. Лучше просить модель говорить быстрее.

Символы кончаются быстро. Переделка одной фразы — это заново потраченные символы. Перезаписывайте только кусок, а не весь ролик.

Итого

• для эмоциональных роликов — ElevenLabs, для ботов — российские синтезаторы;
• первые три секунды обычным голосом, без шёпота;
• ударения руками + проверка распознаванием;
• паузы ужимаем, громкость выравниваем;
• клон своего голоса — несколько минут чистой записи.

Частые вопросы