Нейросеть озвучивает текст: как подготовить сценарий
Нейросеть озвучивает текст убедительнее, когда сценарий написан для слуха. Разбираю пример короткого видео, правки перед синтезом и проверку готового аудио.
М
Марина
Контент-маркетолог LibraChat
6 мин чтения
Для сорокасекундного ролика мне принесли аккуратный абзац о новой услуге. На экране он выглядел серьёзно. Я попробовала произнести его вслух и на слове «осуществляется» уже сбилась. Звучит тяжело. Если нейросеть озвучивает текст, ей достаются те же длинные фразы и лишние уточнения. Голос может звучать ровно, а мысль всё равно не дойдёт. Я переделываю такой материал сначала для слуха, затем передаю в отдельный сервис синтеза речи и слушаю короткий фрагмент до записи всего ролика.
Мы готовили сценарий для короткого видео мастерской: зрителю нужно понять, когда можно забрать заказ. Текст на странице можно перечитать, речь идёт только вперёд. Для слуха приходится менять длину фраз, порядок сведений и места пауз. Раньше я сразу выбирала тембр. Теперь сначала режу сценарий. На эту правку у меня часто уходит больше внимания, чем на выбор голоса.
Почему нейросеть озвучивает текст, а звучит тяжело
Исходная фраза выглядела так: «Осуществление выдачи предварительно сформированных заказов производится в помещении мастерской после получения соответствующего уведомления». В письме клиент ещё мог бы остановиться и разобраться. В ролике зритель к этому моменту уже посмотрел на следующую сцену. Я проверила смысл: заказ готов, мастерская пришлёт сообщение, затем его можно забрать. Три действия. Одно предложение пыталось скрыть их за существительными.
Вариант для речи я записала иначе: «Когда заказ будет готов, мы пришлём сообщение. После этого заходи за ним в мастерскую». Это не волшебная настройка синтеза. Я убрала ненужные существительные, поставила события по порядку и оставила место для паузы. На экране можно показать адрес и часы отдельно. Голосу незачем проговаривать всё, что зритель уже видит.
Было в письменном тексте · Стало в сценарии · Зачем изменено
«Осуществление выдачи заказов производится» — «Заказ можно забрать» — Глагол сразу называет действие
«После получения соответствующего уведомления» — «Когда мы пришлём сообщение» — Назван отправитель сообщения
«При возникновении дополнительных вопросов» — «Если остался вопрос» — Фраза помещается в один слуховой отрезок
Нейросеть, которая озвучивает текст на русском, не обязана догадаться, какую из этих правок я имела в виду. TTS обычно преобразует переданные слова в аудио; редакторская задача остаётся до синтеза. Я утверждаю реплики для ролика до выбора голоса. Затем слушаю, как отдельный инструмент произнёс уже согласованный текст.
От 85 слов на странице к сорока секундам речи
Я начинаю с хронометража, но не выдаю универсальную норму слов в минуту. Темп зависит от голоса; влияют также паузы и сложные названия. Для рабочего черновика под 40 секунд я могу взять около 85 слов, а точное время определит пробная запись. Если в сценарии много адресов или чисел, его придётся сокращать сильнее. Число на листке не заменяет прослушивания. Только ухо решит.
В коротком ролике о заказе я оставила четыре смысловых движения:
Ситуация: человек оформил заказ и ждёт, когда его можно забрать.
Сигнал: мастерская сама присылает сообщение о готовности.
Действие: после сообщения можно прийти за заказом.
Уточнение: адрес и часы показаны на экране, их не нужно прятать в длинной реплике.
Затем читаю текст вслух. Не «про себя», а нормально, как при записи. Если дыхания не хватает на одно предложение, оно слишком длинное для этого ролика. Если слово приходится расшифровывать после произнесения, я выбираю другое. Я поймала на этом несколько собственных оборотов: на бумаге они казались точными, вслух звучали как инструкция к оборудованию.
Ещё одна проверка касается цифр. Номер заказа, время работы и дата могут прозвучать не так, как ожидаешь, даже если на экране запись выглядит очевидно. Я пишу, что именно нужно произнести, и сверяю это в коротком образце. Иногда проще оставить номер в титре, а голосом сказать только действие. Особенно если цифры сами по себе не помогают понять сюжет.
Где здесь LibraChat, а где синтез речи
LibraChat помогает написать и переписать сценарий. Я могу вставить исходный абзац и предложить запрос: «Перепиши для устной речи на 40 секунд. Сохрани порядок: сообщение о готовности, затем выдача заказа. Не добавляй адрес, сроки и условия, которых нет в исходнике. Дай короткие предложения и пометь места, где диктору нужна пауза».
Звуковой файл делает отдельный инструмент TTS. Например, официальные инструкции Yandex SpeechKit и Google Cloud Text-to-Speech описывают преобразование текста в речь; набор голосов и настройки у них разные. Условия использования тоже нужно смотреть отдельно. LibraChat не следует представлять кнопкой озвучки ответов. У него описан голосовой ввод, но это обратное направление: человек говорит, сервис получает текст. Для задачи «написать текст, а нейросеть озвучивает» нужны подготовленный сценарий и выбранный сервис синтеза.
Я объясняю эту границу заказчику до начала работы. Иначе просьба «сделай ролик с озвучкой» превращается в ожидание готового аудиофайла от инструмента, который в этой цепочке отвечает за текст. Уточнение экономит неловкий разговор на сдаче. Оно также помогает назвать результат каждого шага: сначала утверждённые реплики, затем записанный голос, потом монтаж.
После переноса текста в TTS я проверяю не только приятность тембра. Даже хороший голос может неправильно расставить смысловые акценты. Короткий образец обычно показывает проблему раньше, чем полный ролик. Я слушаю первые две-три фразы и отмечаю три вещи:
Произношение: верно ли звучат имя, бренд и число? При необходимости меняю написание или настройки сервиса.
Паузы: понятно ли, где закончилась одна мысль и началась другая? Иногда лучше разбить предложение, чем искать особый знак.
Смысл: совпадает ли услышанное с тем, что зритель видит в кадре? Голос не должен сообщать «сегодня», если экран показывает другой срок.
Потом слушаю уже всё аудио вместе с видео. Тут бывают сюрпризы. Текст может быть хорошим отдельно, но опаздывать к нужному кадру. Если ролик меняет сцену на слове, которое относится к предыдущей, я сначала сокращаю или переставляю реплику. Подгонка скорости голоса на пределе редко делает фразу понятнее.
Что проверить перед отправкой заказчику
Когда нейросеть озвучивает текст для публикации, я возвращаюсь к исходным данным. Не появилось ли обещание о сроке, которого мастерская не давала? Верно ли название услуги? Не потерялась ли оговорка о том, что заказ забирают после сообщения? Эти вопросы не решаются красивым тембром. Я перечитываю сценарий рядом с брифом, затем слушаю файл без субтитров. Если смысл понятен только по картинке, речь ещё надо править.
Проверь четыре пункта до финальной записи:
Сценарий звучит естественно при чтении вслух.
Каждое число и имя произносятся так, как нужно.
Аудио по времени совпадает с кадрами без спешки.
В тексте нет новых обещаний, которых не было в исходной задаче.
Попробуй на своих четырёх строках: прочитай их вслух, убери канцелярские существительные и оставь одно действие в каждой фразе. Подготовленный вариант можно доработать в чате LibraChat; условия работы сервиса собраны на странице тарифов. Затем выбери отдельный инструмент TTS и послушай короткий образец. Если нужна обратная операция — получить текст из аудио, — это другая задача; о ней есть материал про расшифровку аудио нейросетью. Здесь первая проверка остаётся простой: закрыв экран, поймёшь ли ты, что делать после услышанного?
озвучка текстасинтез речисценарий видеотекст в речьредактураLibraChat
