Синтез

Бесплатная озвучка текста онлайн для любого сценария

Обычный синтез речи озвучивает сплошной текст одним голосом. Для закадрового чтения это правильный инструмент, для сцены — неправильный. Эта страница про сам слой синтеза: что ему можно приказать и где он останавливается.

Коротко о главном

Что это
Бесплатный генератор голоса на нейросети и озвучка текста, сделанные под сценарии: он определяет, кто говорит, даёт каждому персонажу свой голос, позволяет вести эмоцию от реплики к реплике и выгружает готовый микс — аудиоспектакль с полным составом, а не один диктор, читающий все роли.
Что вы вставляете
Сценарий, вставленный текстом. Сценарный формат, «Имя: реплика» и обычная проза с указаниями на говорящего читаются как написано, и диалоги через тире в испанском, французском, португальском и русском тоже распознаются. Строка целиком в скобках считается ремаркой и не произносится. Импорта файлов нет: вставьте текст, а не прикладывайте документ.
Что получаете
Один сведённый MP3 на любом тарифе. С Plus — субтитры SRT, написанные по вашему сценарию, а не расшифрованные со звука: имена написаны верно, а тайминги совпадают сразу. Отдельные дорожки по персонажам (по одной дорожке полной длины на персонажа плюс микс) приходят архивом ZIP на Pro. Экспорта в WAV нет.
Персонажи и базовые голоса
В библиотеке 40 персонажей, у каждого портрет, характер и образец. За ними стоят 10 базовых голосов — 4 женских, 5 мужских, 1 андрогинный — и это одни и те же 10 для всех языков. Внутри одного проекта двум персонажам не достаётся один базовый голос, пока не заняты все 10: сцена до 10 говорящих расходится чисто, а дальше двое делят голос и различаются характером и режиссурой каждой реплики. Вы выбираете персонажа, а не базовый голос. Свой собственный голос можно клонировать, прочитав вслух короткое заявление о согласии (не больше 3 на аккаунт), и отдать его любому персонажу; клонированный голос читает на всех языках сайта и следует настройке темпа, но не играет эмоции и режиссёрские указания.
Языки
9: English, 简体中文, 日本語, 한국어, Deutsch, Français, Español, Português, Русский. Каждый персонаж играет на всех них — персонаж это характер, а не один записанный дубль, — а язык проекта задаётся при создании и дальше не меняется. За пределами английского вы получаете распространённый акцент этого языка; региональные акценты выбрать нельзя, и мы их не обещаем. Мы не давали носителям прослушать каждый язык подряд, поэтому прогоните свои собственные реплики, прежде чем решать.
Эмоции и режиссура по репликам
Каждую реплику играет ИИ-актёр по выписанному указанию для игры, поэтому 7 эмоций (нейтрально, радость, грусть, гнев, страх, шёпот, воодушевление) именно сыграны, а не подделаны настройками. Базовая эмоция персонажа есть на любом тарифе; переопределять эмоцию по каждой реплике можно только на Pro, а регулировка скорости в 5 ступеней (0.75×–1.25×) идёт с Plus и Pro. Повторная генерация реплики даёт действительно другой дубль тем же голосом, а правка одной строки пересинтезирует только эту строку.
Цена и открытая бета
Один кредит — это один символ сценария, и кредиты списываются только при скачивании: генерация и прослушивание бесплатны, но есть потолок в 30 реплик за 24 часа на Free и до 2,000 на Pro. Тариф Free — разовый запас на 4,500 кредитов, это примерно 5 минут готового звука, а персонажей на проект — 2. Платные тарифы стоят Basic $5, Plus $19, Pro $29 в месяц, при оплате за год дешевле на 10%. Оплата ещё не запущена: во время открытой беты у каждого аккаунта бесплатно открыт весь набор возможностей Pro, но коммерческая лицензия сюда не входит и появляется вместе с платным тарифом, когда тарифы откроются.
Чего пока нельзя
Клонировать можно только собственный голос, и клонированный голос читает текст, не играя эмоции и режиссёрские указания. Нет импорта файлов, нет экспорта в WAV, нет словаря произношения, нет регулировки высоты тона и нет способа потребовать конкретный базовый голос или региональный акцент. Ни в одном языке нет настоящих детских голосов: детские роли играют взрослые актёры, как это всегда делали в анимации. Персонажи существуют только внутри одного проекта и не переходят в следующий.

Голоса, на которых стоит попробовать

Noor

Noor

Newsreader clarity for exposition-heavy scenes

женскийвзрослыйамериканский английскийновостичёткий
Взять этот голос
Quill

Quill

YouTube explainer voice that never sounds bored

мужскоймолодойамериканский английскийYouTubeчёткий
Взять этот голос
Dorian

Dorian

Audiobook baritone for literary fiction and slow reveals

мужскойвзрослыйбританский английскийаудиокниганизкий
Взять этот голос
Solène

Solène

Continental accent, unhurried, very expensive sounding

женскийвзрослыйбританский английскийэлегантныйакцент
Взять этот голос
Halcyon

Halcyon

Meditation-adjacent narrator for slow, quiet scenes

нейтральныйвзрослыйамериканский английскийспокойныйуспокаивающий
Взять этот голос
Indie

Indie

TikTok voiceover: fast, flat, faintly amused

женскиймолодойамериканский английскийобщениебыстрый
Взять этот голос
Wren

Wren

Bedtime-story narrator, slow and warm, never wakes anyone up

женскийвзрослыйамериканский английскийзакадровыйтёплый
Взять этот голос
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

мужскойвзрослыйамериканский английскийзакадровыйдокументальный
Взять этот голос

Вся библиотека →

Что он умеет

Семь эмоциональных регистров

Нейтрально, радость, грусть, гнев, страх, шёпот и воодушевление — задаются для реплики, а не для документа. Любой регистр можно поставить любому персонажу: реплика уходит на синтез вместе с указанием исполнителю, и регистр действительно играется, а не собирается из сдвига темпа и громкости. Метки в библиотеке говорят, для каких регистров персонаж задуман, — это подсказка при подборе, а не ограничение.

Управление темпом

Множитель скорости для каждой реплики, на Plus и Pro. Темп делает больше, чем принято думать: возраст, авторитет и состояние он передаёт надёжнее, чем высота тона.

Ремарки не зачитываются

Реплика, целиком написанная в скобках, вслух не читается: при разборе сценария она становится указанием к следующей реплике — так же как скобка в начале реплики становится указанием к ней самой. Ремарка потом видна рядом с эмоцией в списке реплик — там её можно поправить или убрать. А скобка в середине реплики остаётся в тексте и будет прочитана. Со сценическими заголовками и описаниями действия иначе: они звучат как текст рассказчика, так что удалите те, которые не должны прозвучать.

Пунктуация как режиссура

Точка — настоящая пауза, многоточие — длиннее, вопросительный знак поднимает конец фразы. Переносы строк создают промежутки. Разметка вашего текста и есть управление таймингом — поэтому на этой странице всё время просят делить реплики.

Независимость от поставщика

Движок синтеза стоит за интерфейсом с несколькими реализациями. Если однажды мы перейдём на другой, тот же проект отрендерится без единой правки в распределении ролей и режиссуре: состав, характеры и эмоции реплик переносятся как есть.

Все голоса на всех тарифах

Библиотека — не платная стена. Тарифы различаются размером состава, управлением эмоцией и минутами, а не тем, какими голосами вам можно пользоваться.

Как этим пользоваться

  1. Вставьте текст

    Один говорящий или много. Для одного голоса это ведёт себя как любой другой синтезатор речи.

  2. Выберите персонажа

    Выбирайте из сорока персонажей библиотеки — фильтруйте по возрасту, полу, акценту и стилю, а не прокручивайте список. Прослушивайте на своём тексте, а не на демонстрационном.

  3. Задайте темп и регистр

    Начните с нейтрального и — на Plus или Pro — с темпа чуть медленнее, чем кажется правильным. Почти любая первая попытка слишком быстрая.

  4. Поправьте произношение

    Прослушайте каждое имя и выдуманное слово до того, как рендерить что-то длинное, и те, что звучат неверно, перепишите в самом тексте — другим написанием или через дефис: отдельной настройки произношения нет.

  5. Отрендерите и проверьте на настоящей технике

    Слушайте и в наушниках, и через динамик телефона. Большая часть аудитории — с телефона.

Управление эмоцией: чем меньше, тем лучше

Первый порыв — ставить эмоцию везде, и результат получается однородной кашей. Аудитория считывает эмоцию по контрасту, поэтому сцена с двумя отрежиссированными репликами и двадцатью нейтральными бьёт куда сильнее сцены, где надавлено на всё.

Рабочий порядок такой: задайте персонажу базовый регистр, отрендерите на умолчаниях, прослушайте подряд, а потом отметьте те две-три реплики, где что-то действительно меняется. Для пятиминутной сцены пять реплик вручную — примерно то, что нужно.

Как писать так, чтобы синтетический голос это сыграл

Разницу делают четыре привычки. Одно намерение на реплику: фразу, которая уезжает от восторга к ужасу, движок отыграет как среднее из двух, поэтому её надо разделить. Осознанная пунктуация — это ваш тайминг. Междометия отдельными репликами, потому что синтез произносит текст, а ремарка только задаёт, как его сыграть. И короткие предложения для низких голосов: на длинных периодах они быстро теряют разборчивость.

Ничто из этого не обходной путь вокруг ограничения. Это те же замечания, которые режиссёр даёт живому исполнителю, и по тем же причинам.

Пределы, названные прямо

Физическая вокализация — крик, рыдание, смех во время речи, кряхтение — самая слабая область, и такой она останется ещё какое-то время, потому что это события дыхания, а не речи. Сгенерируйте их черновиком, если нужно, и планируйте замену.

Второй предел — интерпретация. Синтетическая читка — это чистое, ровное, хорошо отмеренное исполнение написанного. Это не набор решений о подтексте. Для большинства работ такой обмен себя оправдывает; оправдывать его стоит с открытыми глазами на то, какая половина здесь какая.

Частые вопросы

Чем это отличается от других сервисов озвучки текста?

Для одноголосой работы — почти ничем. Разница появляется в тот момент, когда в сценарии больше одного говорящего: распределение ролей, голос, закреплённый за персонажем в пределах проекта, и режиссура каждой реплики — это и есть продукт, а синтез лежит под ними деталью.

Какие эмоции поддерживаются?

Нейтрально, радость, грусть, гнев, страх, шёпот и воодушевление — на любом голосе. Каждая реплика уходит на синтез вместе с указанием исполнителю, поэтому регистр играется, а не имитируется настройками. Наигранности это не отменяет: прослушайте отрежиссированную реплику на своём тексте, прежде чем строить на ней сцену.

Можно ли управлять высотой тона?

Нет: темпом — да, на Plus и Pro; высотой тона — нет. Если утащить голос далеко от его естественного диапазона, появляются артефакты, слышные в хороших наушниках. Лучше выбрать персонажа в нужном диапазоне.

Правильно ли читаются числа и даты?

Числа, даты и сокращения читаются по правилам языка проекта, и в основном верно. Ошибки собираются там, где соглашения смешаны — латиница внутри русской фразы, форматы дат из другой страны, единицы измерения сокращениями. Если у вас такой текст, проверьте числа в первую очередь и запишите проблемное словами.

Как устроен синтез под капотом?

Реплику играет ИИ-исполнитель: вместе с текстом ему уходит указание — кто этот персонаж, какого он возраста и в каком регистре реплика. Базовых голосов десять, и каждый говорит на всех девяти языках; персонаж из библиотеки закреплён за одним из них и отличается от соседа игрой, а не тембром. Одна реплика занимает несколько секунд, «Сгенерировать всё» идёт по три реплики разом. Конкретного поставщика мы не называем: он стоит за интерфейсом и однажды может смениться, а ваши проекты это переживут без правок.

Подходит ли это для озвучки ради доступности?

Да, но для доступности нужен самый разборчивый голос, а не самый характерный, и проверять надо на скорости 1,5× и выше: многие пользователи экранных дикторов слушают заметно быстрее реального времени.

Озвучьте первую сцену уже сегодня

Вставьте сценарий, дайте CastDub подобрать голос каждому персонажу и экспортируйте готовый аудиоспектакль.

Создать бесплатно

Карта не нужна. Free даёт разовый запас кредитов.