ИИ-озвучка бесплатно: чем озвучиваю сам и где бесплатное упирается в потолок

Ии озвучка бесплатно – запрос честный, и ответ на него тоже честный: да, можно, и результат будет приличный. Рассказываю, чем пользуюсь, а потом – где эта дорога заканчивается.

Два инструмента, которыми озвучиваю сам

Первый – Silero TTS, русская модель с открытым кодом, пятая версия. Ставится локально, весит около 140 МБ, работает на обычном процессоре: видеокарта не нужна, интернет тоже. Пять голосов, сама расставляет ударения и разбирает омографы – те самые «зАмок» и «замОк», на которых спотыкаются простые синтезаторы. Есть разметка для пауз, вопросительной интонации и скорости.

Сделать ии голос через неё – минуты. Лимитов на количество символов нет, потому что всё считается у вас на компьютере. Для озвучки роликов, обучающих материалов и внутренних записей этого хватает с запасом.

Второй – edge-tts, голоса Microsoft. Ставится одной командой, голосов больше, звучат мягче. У меня на нём работают голосовые ответы в телеграм-ботах, то есть проверено не на демо, а на живой нагрузке. Тонкость, которая съест вам вечер: нужна версия не ниже 7.2.8, на старых серверная часть просто отказывает.

Оба варианта дают ии голос бесплатно и без регистрации. Разница между ними – в мелочах: Silero не зависит от интернета, edge-tts звучит чуть живее.

Что важно знать до того, как начнёте

Ударения в именах, названиях компаний и числах проверяйте руками. «ДоговОр» или «дОговор» в записи слышно моментально, и это единственное, что выдаёт дешёвую озвучку сильнее всего.

Не отдавайте синтезатору длинный абзац целиком. Режьте на короткие фразы: так вы управляете паузами, и речь перестаёт звучать как объявление на вокзале.

Ровная интонация – родовая черта бесплатных моделей. Лечится не настройками, а подачей: короткие реплики, смена темпа, музыка под фон.

Озвучка текста ии бесплатно хорошо работает на информационном материале и плохо – на эмоциональном. Реклама и художественное чтение по-прежнему требуют человека или платного клонирования голоса.

Где заканчивается бесплатное

Всё описанное выше – это озвучка. Текст на входе, аудиофайл на выходе. Совсем другая задача начинается там, где голос должен отвечать: человек позвонил, спросил не по сценарию, и ответ нужен через полсекунды.

Здесь нужен не синтезатор, а связка из трёх частей: распознавание речи, логика диалога и синтез. Каждая добавляет задержку, и вот с ней вся борьба. Я тестировал голосового агента на Яндексе: семь часов работы, 55 замеров, три разные архитектуры – и только после этого ответ стал укладываться в 0,4–0,5 секунды.

Отдельно я разбирал стек, который держит задержку около 850 мс: распознавание, модель для ответа и синтез речи, каждый компонент выбран под скорость. Ии голос онлайн из браузера так не умеет, и дело не в качестве голоса, а в архитектуре.

Как понять, что вам нужен не синтез, а голосовой бот

Признак первый: вы хотите, чтобы система отвечала на входящие звонки. Синтез тут вообще ни при чём, это только последний шаг цепочки.

Признак второй: реплики зависят от того, что сказал человек. Заранее записать нельзя, потому что вариантов сотни.

Признак третий: важна задержка. Пауза дольше секунды в телефонном разговоре воспринимается как обрыв связи, человек начинает переспрашивать.

Если хотя бы два признака про вас – бесплатные синтезаторы задачу не решат, сколько их ни настраивай.

Сколько стоит голосовой бот и из чего складывается цена

Ядро – от 20 000 ₽. В него входит связка распознавания, логики и синтеза, один рабочий сценарий и тестирование на реальных фразах.

Дальше цена растёт от количества веток диалога и интеграций: посмотреть в CRM, проверить свободное время, записать клиента. Как и с текстовыми ботами, дорога не модель, а связки с вашими системами.

Отдельная строка – телефония. Бот должен куда-то звонить и откуда-то принимать звонки, и этот кусок обычно недооценивают при планировании.

И честное предупреждение: голосовой бот – самая капризная из всех ИИ-задач. Здесь больше всего мест, где всё разваливается по мелочи, поэтому закладывайте время на доводку, а не только на разработку.

Как звучит хороший сценарий разговора

Короткие реплики. Всё, что длиннее двух предложений, человек по телефону не дослушивает и начинает перебивать. Это не про красоту, а про то, дойдёт ли разговор до результата.

Один вопрос за раз. «Скажите ваше имя и удобное время» – и человек называет только время. Придётся переспрашивать, и разговор растягивается вдвое.

Подтверждение важного. Имя, адрес, номер и дату бот повторяет вслух: «записываю на вторник, четырнадцать часов, верно?». Распознавание ошибается именно здесь, и подтверждение спасает от неверной записи.

Быстрый выход на человека. Фраза «соединяю с менеджером» должна работать с первого раза и по любому поводу. Клиент, которого бот не отпускает, – это потерянный клиент и плохой отзыв.

Как проверить бота до запуска

Позвоните сами и говорите не по сценарию: с паузами, с «эээ», с уточнениями посреди фразы. Именно так разговаривают живые люди, а не так, как написано в тестовом диалоге.

Позвоните из шумного места. Улица, кафе, машина – три самых частых обстановки, и распознавание в них работает заметно хуже, чем в тишине кабинета.

Проверьте, что происходит при молчании. Человек отвлёкся на пять секунд – бот должен переспросить, а не завершить звонок.

И обязательно послушайте запись целиком, а не по кусочкам. Впечатление от разговора складывается из темпа, а его в отдельных репликах не видно.

Грабли, на которые уже наступил

Качество голоса почти не влияет на впечатление, а задержка влияет решающе. Люди прощают роботизированный тембр и не прощают паузу в две секунды.

Распознавание ошибается на именах, адресах и номерах. Эти места надо переспрашивать и подтверждать, а не надеяться на точность.

Бот обязан понимать, что человек закончил говорить. Звучит просто, а на практике это один из самых сложных кусков: перебьёте клиента – разговор испорчен.

И последнее: сценарий важнее модели. Я писал об этом отдельно, и в голосе это заметно ещё сильнее, чем в переписке.

Вопросы и ответы