Как сгенерировать голос нейросетью на русском: 6 сервисов

Как нейросети создают голос

Ещё пару лет назад синтезированный голос звучал как робот из дешёвого фильма. Сегодня нейросети выдают речь, которую не всегда отличишь от живой. Технология называется TTS (text to speech), и за последний год она сделала скачок по качеству русского языка.

Схема простая: вы даёте текст, нейросеть его озвучивает. Можно выбрать мужской или женский голос, темп речи, эмоциональную окраску. Некоторые сервисы умеют клонировать конкретный голос по образцу. Загружаете минутную запись своего голоса и получаете цифрового двойника который читает любой текст вашим голосом.

Проблема в том что хороших бесплатных сервисов с русским языком мало. Большинство либо платные, либо звучат так себе. Ниже те которые реально работают.

6 бесплатных сервисов для озвучки текста

Yandex SpeechKit

Собственная разработка Яндекса, и для русского языка это лучший бесплатный вариант. Голоса звучат естественно, есть мужские и женские на выбор. Бесплатно даётся около 100 тысяч символов в месяц через облачный API. Для разовых задач хватает за глаза.

Главный минус: нужен аккаунт в Яндекс Облаке и немного технической возни с API. Нельзя просто зайти на сайт и нажать кнопку. Но результат того стоит, голоса реально качественные.

Zvukogram

Российский онлайн-сервис, работает прямо в браузере без регистрации. Есть бесплатный тестовый период на пару тысяч символов. Голоса на русском звучат прилично, хотя и не дотягивают до SpeechKit.

Подходит для коротких задач: озвучить голосовое приветствие, начитать текст для видео, сделать аудиоверсию небольшой статьи. Для проектов посерьёзнее маловато и бесплатный лимит быстро кончается.

Balabolka

Бесплатная программа для Windows, не веб-сервис. Использует системные голоса Windows плюс можно подключать сторонние голосовые движки. Качество зависит от установленных голосов. Со стандартными голосами Windows звучит так себе, но если поставить RHVoice или голоса от Microsoft, становится вполне сносно.

Плюс Balabolka в том что она работает без интернета. Минус в том что для хорошего звука надо повозиться с установкой дополнительных голосовых пакетов.

RHVoice

Открытый голосовой синтезатор, разработанный Ольгой Яковлевой. Изначально создавался для незрячих пользователей, но отлично подходит и для обычной озвучки. Голоса на русском звучат натурально, есть женский (Елена) и мужской (Александр).

Полностью бесплатный и работает офлайн. Можно интегрировать с Balabolка или использовать как отдельный движок. Качество чуть ниже чем у коммерческих сервисов, но для бесплатного решения отличный вариант.

ElevenLabs (бесплатный тариф)

Зарубежный сервис, лидер по качеству синтеза речи. Русский язык поддерживает, хотя основная специализация это английский. На бесплатном тарифе дают около 10 минут озвучки в месяц. Качество высокое, голоса звучат очень естественно.

Главная фишка ElevenLabs это клонирование голоса. Загружаете образец и получаете цифровую копию. Бесплатно клонирование тоже работает, но с ограничениями. Для русского языка лучше выбирать голоса которые специально обучались на русской речи, не все мультиязычные модели звучат хорошо.

Kokoro TTS

Открытая нейросеть для синтеза речи с русским языком. Работает онлайн через демо-страницу на Hugging Face, регистрация не нужна. Качество среднее, но стабильное. Интонации иногда хромают, зато слова произносит чётко.

Для быстрой озвучки короткого текста подходит. Для длинных текстов лучше поискать другой вариант, на больших объёмах интонационные огрехи становятся заметнее.

Как получить лучший результат

Даже с хорошим синтезатором можно получить плохой звук если не подготовить текст. Вот что реально помогает:

Расставьте знаки препинания. Нейросеть держит паузы на точках и запятых. Если текста написан без знаков, голос будет тараторить без остановки. Точка это пауза, запятая это короткая задержка.

Числа пишите словами. «В 2024 году» нейросеть может прочитать как «в две тысячи двадцать четвёртом году», а может как «в два ноль два четыре году». Если напишете «в две тысячи двадцать четвёртом году», ошибки не будет.

Аббревиатуры проверяйте. Нейросеть может не знать что «ТК РФ» это «Трудовой кодекс», а не «Тэ-Ка-Эр-Эф». Либо расшифруйте, либо проверьте как сервис читает конкретную аббревиатуру.

Совет: Перед финальной генерацией прогоните один абзац через сервис и послушайте. Лучше потратить минуту на проверку чем потом переозвучивать весь текст.

Где какой сервис использовать

Если нужно озвучить статью или длинный текст и качество критично, берите Yandex SpeechKit. Если нужно быстро и без регистрации, Zvukogram или Kokoro. Если нужен офлайн, Balabolka с RHVoice. Если нужно клонировать голос, ElevenLabs.

Для коммерческих проектов все перечисленные сервисы кроме ElevenLabs и SpeechKit могут подвести по качеству. Тут уже либо платить, либо мириться с роботизированным оттенком в голосе. Заказчик обычно слышит разницу.

Клонирование голоса: стоит ли платить за ElevenLabs

ElevenLabs это лучший сервис для клонирования голоса на русском. Загружаете 3 минуты своей речи и получаете клон который говорит вашим голосом любой текст. Качество такое что знакомые не отличают запись от живого голоса. Бесплатно 10 минут в месяц, платный тариф от за 30 минут. Использую для озвучки статей и презентаций: пишу текст, клон начитывает, я выкладываю аудио-версию. Экономит 2-3 часа на записи и монтаже. Минус: интонации иногда неестественные на длинных фразах, приходится разбивать текст на короткие предложения. И голос клона нельзя использовать для коммерческих звонков без пометки что это AI.

Ключевой вывод

Бесплатно сгенерировать голос на русском реально, и качество может быть высоким. Yandex SpeechKit и ElevenLabs дают результат близкий к живому голосу. Остальные сервисы попроще, но для коротких задач их хватает. Главное не забывать про подготовку текста: расставленные знаки и написанные словами числа поднимают качество озвучки сильнее чем смена сервиса.