Генератор голосу зі ШІ

ШІ-генератор голосу перетворює написаний текст на озвучене аудіо. Ти вводиш, що треба сказати, і описуєш, як це має звучати: вік, акцент, темп, емоції, а модель виконує це. У результаті виходить аудіофайл, який можна додати у відео, гру, вступ до подкасту чи презентацію.

У Mage голосова модель називається Seed Audio. Вона створює голоси, діалоги, музику та звукові ефекти з одного промпту й повертає MP3 точно тієї тривалості, яку ти обереш: 5, 10, 30, 60 або 120 секунд. Вона приймає одне зображення-референс або до трьох аудіореференсів, які задають звучання, але не те й інше разом в одному кліпі.

Найцікавіше в Mage — те, що відбувається далі. Збережений персонаж може мати голос, а відеомоделі, які читають голоси персонажів (Cherry, Raspberry, Plum, Lemon і MiniMax-H3), використовують його автоматично, тож створений тобою герой звучить однаково в кожному кліпі. Застосунок Lipsync також може взяти репліку, яку ти зробив(-ла), і синхронізувати з нею обличчя.

Промпт для голосу складається з двох частин: що говорять і як це звучить. Візьми слова для озвучення в лапки, щоб було видно, що це текст сценарію, а навколо опиши виконання. Промпт «Теплий хрипкуватий чоловік за сімдесят, повільний і зі скептичною усмішкою, біля мікрофона в тихій кімнаті, каже: „Кожна історія починається з того, хто мав залишитися вдома“» дає Seed Audio мовця, манеру подачі й простір.

Найбільше на голос впливають вік, енергія, темп і відстань. Шепіт біля мікрофона, голос зі сцени у великій залі й утомлений голос у телефонній трубці — це три різні виконання одних і тих самих слів. Емоцію краще називати дієсловом, як-от «дражнить», «благає» чи «оголошує», а не самим прикметником.

• Бери точні слова в лапки
• Вказуй віковий діапазон і рівень енергії
• Назви темп: неквапливий, жвавий, уривчастий
• Опиши приміщення: студія, вулиця, собор, телефон
• Перевіряй голос на репліці в 5–10 секунд, перш ніж озвучувати довгий текст

Seed Audio повертає рівно ту тривалість, яку ти обереш, тож підбирай її під сценарій. Одна репліка чи реакція вміститься в 5 або 10 секунд. Короткий закадровий текст або опис товару — у 30. Сцена з діалогом чи розповідь — у 60 або 120. Якщо текст задовгий для кліпу, його проговорять надто швидко; якщо закороткий, наприкінці залишиться тиша або шум приміщення.

Заздалегідь подумай, куди піде аудіо. Lipsync і Music Video приймають аудіо до 15 секунд, тож для портрета, що говорить, напиши репліку на 10 секунд і генеруй саме такої тривалості.

Персонаж у Mage може мати голос: завантаж MP3 або WAV чи згенеруй короткий зразок у Seed Audio під час створення персонажа. Відтоді Cherry, Raspberry, Plum, Lemon і MiniMax-H3 автоматично використовують цей голос, коли персонаж говорить. Про персонажів розповідає сторінка ШІ-генератор персонажів, а як змусити портрет промовити репліку, читай у посібнику ШІ-фото, що говорить.

Використовуй аудіореференс лише зі своїм голосом або з голосом, який тобі дозволено використовувати. Імітувати реальну людину без її згоди в Mage заборонено.