← Контент-завод · день 1/14 · кодовое слово КЛОН
Серию, из которой вы пришли, от первой до последней секунды читал мой клон. Ниже - ровно тот путь, которым я его собрал. Со всеми граблями: первая версия звучала как робот, и я покажу, где именно я ошибся, чтобы вы не повторяли.
Телефон с диктофоном, компьютер с браузером и сервис ElevenLabs - тариф Starter, 5 долларов в месяц. Оплата картой зарубежного банка или через посредника; с комиссией у меня вышло около шести долларов. На весь путь - один вечер.
Главный шаг - и главная моя ошибка. Клон получается ровно таким, каким был материал.
Возьмите любой длинный текст (главу книги, свою статью) и читайте вслух в диктофон 10-12 минут. В тихой комнате, ровным рассказом, без спешки. У меня в итог ушло 11 минут чтения.
Раздел Voices - Add voice - Instant Voice Clone. Загружаете запись, называете голос, подтверждаете согласие. Клон готов через минуту. На тарифе Starter это включено; дорогой Professional Clone (тариф за 22 доллара) звучит ещё ближе к оригиналу, но для роликов хватает обычного.
Сделал пять версий одного текста с разными настройками и сравнивал не глядя, как у окулиста: «первая или вторая?». Победили эти:
Stability 0.60 · Similarity 0.95 · Style 0.05 · Speed 1.0
модель: Eleven Multilingual v2
Вторая причина «робота» - не голос, а текст. Нейросеть читает знаки препинания как команды:
- тире = пауза. Фраза «собираю контент - завод» звучит как «собираю контент
[провал] завод». Убирайте тире из текста озвучки совсем;
- пауза делается точкой. Короткие предложения. Минимум запятых;
- составные слова пишите через дефис без пробелов: «контент-завод» - тогда читается слитно;
- аббревиатуры пишите так, как они звучат, одним словом: не «КВН», а «кэвээн»;
- слово с неверным ударением? Поставьте знак ударения прямо в букву: «тире́», «го́лос».
Клон читает медленнее живой речи - на слух это и звучит «как робот». Я ускоряю готовую
запись в 1,35 раза - тон не меняется, а речь оживает. Это умеет любой бесплатный
аудиоредактор (в Audacity: «Изменить темп»), у меня это делает команда
ffmpeg -i голос.wav -filter:a atempo=1.35 итог.wav.
Кричать, смеяться и играть эмоции - на дешёвом тарифе это лотерея. Длинный текст одним куском может «уплыть» интонацией - я режу текст на куски по 1-2 предложения и склеиваю. И идеальной похожести Instant-клон не даст: родная мама услышит подмену. Подписчики - нет.
Я не переписываю тексты руками - это делает нейросеть. Промпт:
Подготовь этот текст для озвучки в ElevenLabs: убери все тире, разбей на короткие предложения с точками, составные слова запиши через дефис, аббревиатуры - фонетически одним словом. Смысл не меняй. Текст: [ваш текст]
Завтра в сериале - день 2: собираю себя в кадре без съёмки. Все гайды завода складываются на главной странице - по одному за серию.