ШІ-озвучення тексту

Перетворення тексту на мовлення, або TTS, робить із написаного тексту звук. Старі TTS читали слова одне за одним плоским голосом. Сучасне ШІ-озвучення спочатку «прочитує» весь уривок, тож розуміє, на яке слово зробити наголос, де речення стає питанням і коли пауза підкреслює думку, і говорить із диханням та ритмом живої людини.

У Mage озвучення працює на Eleven Speech — найновішій моделі ElevenLabs, Eleven v4. Ти вставляєш до 5 000 символів, обираєш один із 16 голосів і отримуєш MP3, що триває рівно стільки, скільки звучить текст. Аудіотеги в квадратних дужках, як-от [whispers], [laughs] чи [excited], задають подачу й не озвучуються.

Усе це в тому самому акаунті, що й моделі зображень і відео Mage. Озвучення можна одразу накласти на відео, додати персонажу як голос або передати в застосунок Lipsync, щоб портрет його промовляв.

Озвучення читає точно те, що ти йому даєш, тож пиши для вух. Записуй слова так, як вони мають звучати: «дванадцять годин», а не «12 год», «дві тисячі двадцять шостий рік», якщо число треба прочитати як рік, і повні слова замість абревіатур, які не слід читати по літерах. Розбивай довгі речення на коротші: слухач не може прокрутити назад.

Розdivision розділових знаків — найдешевший спосіб керувати темпом. Кома — це короткий вдих, крапка — довший, три крапки — вагання, а тире — раптова перерва. Знак питання змінює мелодію всього речення, тож переконайся, що питання справді закінчуються ним.

• Пиши числа словами, коли важливо, як їх прочитають
• Роби речення короткими й розмовними
• Три крапки — для пауз, тире — для перерв
• Перед генерацією один раз прочитай сценарій уголос
• Дуже довгі тексти розбивай на розділи

16 голосів покривають найпоширеніші завдання. Для довгої оповіді та аудіокниг обирай спокійного оповідача, як-от Darian, Florence чи Sawyer. Для новин, навчання та пояснювальних відео — чіткого диктора, як-от Alicia чи Eldrin. Для реклами та соцмереж — життєрадісний сучасний голос, як-от Elowen, Jade чи Lawrence. Для ігор — характерний голос, як-от Kaelen.

Кожен голос говорить усіма підтримуваними мовами, тож сценарій іспанською чи японською підійде будь-якому з них. Згенеруй перші два-три речення кількома голосами, порівняй їх, а потім озвуч увесь сценарій тим, що підійшов найкраще.

Eleven v4 сприймає теги у квадратних дужках як режисерські вказівки. [excited], [nervous], [sarcastic] і [softly] змінюють емоцію; [whispers] і [shouting] — гучність; [sighs], [laughs] і [gulps] додають реакцію; [door creaks] або [applause] додають звук просто в озвучення. Став тег перед реченням, якого він стосується, і використовуй один-два на речення.

Теги оживляють діалоги та репліки персонажів, а для звичайної оповіді вони часто не потрібні. Якщо голос персонажа має бути однаковим в усіх відео, дивись посібник про ШІ-генератор голосу, а для пісень і музичного тла — посібник про ШІ-генератор музики.

Ті самі голоси працюють через API Mage: надішліть текст і голос на POST /v1/eleven_speech/generate та отримайте MP3. Вартість рахується блоками по 250 символів. Також Сторінка Mage API розповідає про ключі та ціни. Якщо підключити MCP-сервер Mage, Claude, ChatGPT та інші асистенти зможуть озвучити сценарій просто в чаті, попередньо назвавши, скільки Gems це коштує.