Нейросеть для озвучки текста

Преобразование текста в речь, или TTS, превращает написанный текст в звук. Прежние TTS читали слова одно за другим ровным голосом. Современная нейросеть для озвучки сначала прочитывает весь фрагмент целиком: она понимает, какое слово выделить, где предложение превращается в вопрос и когда пауза подчёркивает мысль, и говорит с дыханием и ритмом живого человека.

В Mage озвучка текста работает на Eleven Speech — новейшей модели ElevenLabs Eleven v4. Вы вставляете до 5 000 символов, выбираете один из 16 голосов и получаете MP3, который длится ровно столько, сколько занимает чтение. Аудиотеги в квадратных скобках, например [whispers], [laughs] или [excited], управляют подачей и при этом не произносятся вслух.

Она работает в том же аккаунте, что и модели Mage для изображений и видео. Озвучку можно сразу наложить на видео, назначить персонажу как его голос или передать в приложение Lipsync, чтобы портрет произнёс её.

Преобразование текста в речь читает ровно то, что вы написали, поэтому пишите для слуха. Записывайте слова так, как они должны звучать: «двенадцать часов», а не «12 ч», «две тысячи двадцать шестой год», если число нужно прочитать как год, и полные слова вместо сокращений, которые не нужно произносить по буквам. Разбивайте длинные предложения на короткие: слушатель не может прокрутить назад.

Пунктуация — самый простой способ управлять темпом. Запятая — короткий вдох, точка — более долгий, многоточие — колебание, тире — резкий обрыв. Вопросительный знак меняет мелодику всего предложения, так что проверьте, что вопросы действительно заканчиваются им.

• Пишите числа словами, если важно, как они прозвучат
• Делайте предложения короткими и разговорными
• Многоточие — для пауз, тире — для обрывов
• Прочитайте сценарий вслух перед генерацией
• Разбивайте очень длинные тексты на главы

16 голосов закрывают самые частые задачи. Для длинного повествования и аудиокниг выберите спокойного рассказчика — Darian, Florence или Sawyer. Для новостей, обучения и объясняющих роликов — чёткого диктора, например Alicia или Eldrin. Для рекламы и видео в соцсетях — бодрый современный голос: Elowen, Jade или Lawrence. Для игр — характерный голос, например Kaelen.

Каждый голос говорит на всех поддерживаемых языках, поэтому сценарий на испанском или японском подойдёт любому из них. Сгенерируйте первые два-три предложения несколькими голосами, сравните их и только потом озвучьте весь сценарий тем голосом, который подходит лучше всего.

Eleven v4 воспринимает теги в квадратных скобках как режиссёрские указания. [excited], [nervous], [sarcastic] и [softly] меняют эмоцию; [whispers] и [shouting] — громкость; [sighs], [laughs] и [gulps] добавляют реакцию; [door creaks] или [applause] — звук внутри речи. Ставьте тег прямо перед предложением, которое он меняет, — один-два на предложение.

Теги оживляют диалоги и реплики персонажей, а обычному повествованию они часто не нужны. Если голос персонажа должен быть одинаковым в каждом видео, читайте материал про нейросеть для создания голоса, а для песен и музыкальной подложки — материал про нейросеть для создания музыки.

Те же голоса работают через API Mage: отправьте текст и голос на POST /v1/eleven_speech/generate и получите MP3. Стоимость считается блоками по 250 символов. Подробнее — в странице Mage API. Если подключить сервер Mage MCP, Claude, ChatGPT и другие ассистенты смогут озвучить сценарий прямо в чате, предварительно назвав стоимость в Gems.