Закадровый голос для вертикальных роликов: лимиты и склейки

Чем вертикальный ролик отличается от любого другого

Общая механика озвучки везде одинаковая: пишем текст, отдаём его голосовой модели, получаем аудиодорожку, кладём её на видео. Если вы этого ещё ни разу не делали, начните с базового разбора — как озвучить готовый видеоролик, там про разметку по сценам, выбор голоса и подгонку по таймингу. Здесь речь не об этом, а о том, что ломается именно в вертикальном формате.

А ломается многое. Вертикальный ролик почти всегда короткий: пятнадцать, двадцать, тридцать секунд, редко больше минуты. Смотрят его чаще всего с телефона, часто в шумном месте, часто со звуком на минимальной громкости или вовсе без него — с одними субтитрами. Монтаж в таком ролике быстрый: кадр меняется каждые две-три секунды, иногда чаще. И почти всегда поверх играет музыка, потому что без неё короткое видео кажется пустым.

Получается, что закадровый голос здесь живёт в очень тесной комнате. Ему нужно уместиться в считанные секунды, не разъехаться с быстрыми склейками, нормально лечь на автоматические субтитры площадки и при этом не утонуть в музыке. Каждая из этих четырёх вещей решается отдельно, и ни одна не решается «на слух после генерации» — все они закладываются ещё на этапе текста.

Сначала секунды, потом слова

Главная ошибка новичка — сначала написать хороший текст, а потом попытаться впихнуть его в ролик. В коротком вертикальном видео так не работает: у вас нет запаса длительности, чтобы растянуть кадр под лишнюю фразу. Порядок обратный — сначала считаем, сколько секунд у нас есть, и только потом решаем, сколько слов туда влезет.

Ориентир простой. Спокойная дикторская речь — примерно два слова в секунду, бодрая и энергичная — чуть больше, около двух с половиной. То есть на пятнадцатисекундный ролик у вас есть примерно тридцать-сорок слов вместе с паузами. Это два-три коротких предложения. Не абзац, не «вступление, основная часть и вывод», а буквально несколько фраз.

Цифры в таблице — не закон, а способ не обманывать себя. Пока текст не написан, всегда кажется, что «ну ещё одна фраза точно влезет». Когда вы заранее знаете лимит в словах, лишнее отсекается на этапе черновика, а не после третьей перегенерации.

Отдельно про первые секунды. В вертикальном формате зритель решает, смотреть дальше или листать, буквально сразу. Значит, первая фраза не может быть разгоном вроде «сегодня мы поговорим о том, как» — на такое вступление уходит две секунды из пятнадцати, а смысла в нём ноль. Начинайте с сути: с вопроса, с проблемы, с результата.

Темп речи под быстрый монтаж

Дальше начинается специфика. В длинном горизонтальном видео голос может вести зрителя ровно и размеренно — это даже плюс. В вертикальном ролике с монтажом каждые две секунды ровный размеренный голос звучит странно: картинка скачет, а звук будто из другого видео.

Темп речи должен примерно совпадать с ритмом монтажа. Быстрая нарезка — более собранная, плотная подача, короткие фразы без длинных придаточных. Медленные, «дышащие» кадры — более спокойный голос с воздухом между предложениями. Совсем идеально совпадать не обязательно, но грубого расхождения быть не должно.

Практический приём — писать текст фразами, а не предложениями. Одна фраза = один кадр = одна мысль. Тогда при монтаже вы просто раскладываете куски по кадрам, а не пытаетесь разрезать длинное предложение пополам.

Озвучь текст энергично, как для короткого вертикального ролика.
Темп быстрый, но без тараторенья, каждая фраза звучит отдельно.

Три вещи, которые убивают короткое видео.
Первое — длинное вступление.
Второе — голос, который никуда не спешит.
Третье — музыка громче диктора.

Задавать характер подачи прямо словами удобно в ElevenLabs V3: у модели есть режимы «Диктор» и «Диалог», и во втором можно развести реплики на разные голоса, если ролик построен как мини-сценка. Для ровного информационного закадра часто достаточно Gemini 3.1 TTS в режиме диктора — там подача спокойнее, и это хорошо ложится на обучающие и бытовые сюжеты.

Ещё один момент, про который забывают: генерировать лучше кусками, а не одним файлом на весь ролик. В пятнадцати секундах каждая перегенерация всего текста ради одной неудачной фразы — это потерянное время. Если каждая фраза лежит отдельным файлом, вы переделываете только её.

Паузы на склейках

Самая заметная ошибка в озвучке коротких роликов — голос говорит поперёк монтажа. Кадр сменился, а фраза продолжается, потом заканчивается уже внутри следующего кадра. Технически всё нормально, звук не рвётся, но ощущение — будто голос и видео записывали разные люди, не договорившись.

Лечится это паузами в правильных местах. Правило простое: смысловая точка в тексте должна приходиться на склейку, а не на середину кадра. Если на монтаже есть акцентная смена плана — там же должна быть либо точка, либо короткая пауза перед следующей мыслью.

Как этого добиться на практике:

• Разбивайте текст на такое же количество кусков, сколько у вас смысловых кадров, а не сколько предложений вам нравится.
• Ставьте точки вместо запятых там, где нужна пауза, — голосовые модели ориентируются на пунктуацию, и точка даёт заметно более длинную паузу.
• Не начинайте фразу за полсекунды до склейки: лучше дать кадру начаться, а голосу вступить чуть позже.
• Оставляйте паузу в конце ролика. Если голос договаривает последнее слово ровно в момент, когда видео обрывается, ощущение получается скомканное.

Паузы полезны и сами по себе, без привязки к склейкам. В коротком ролике пауза перед выводом работает как ударение: зритель успевает понять, что дальше главное. Только не увлекайтесь — в пятнадцати секундах две-три паузы это уже много.

Как текст ложится на автосубтитры

Значительная часть зрителей смотрит вертикальные ролики без звука. Площадки это знают и сами подставляют автоматические субтитры, распознавая речь из дорожки. Для нас это значит одну простую вещь: текст, который вы написали для голоса, будет ещё и читаться глазами — и не в том виде, в каком вы его писали, а в том, как его нарежет площадка.

Отсюда несколько практических следствий. Длинные предложения в автосубтитрах разъезжаются на несколько экранов, и зритель теряет мысль на середине. Короткие фразы, наоборот, помещаются целиком и читаются одним взглядом. То есть требование «пиши фразами» работает сразу на две задачи: и на монтаж, и на субтитры.

Дальше — распознавание. Автоматика хуже справляется с редкими словами, названиями, аббревиатурами и числами. Если в ролике есть слово, которое важно показать правильно, у вас два варианта: либо проговорить его максимально чётко и отдельно от соседних слов, либо не полагаться на автосубтитры и вынести это слово в текст на экране при монтаже. Второе надёжнее.

И третье — темп. Если голос тараторит, субтитры мелькают быстрее, чем их можно прочитать. Это ещё одна причина не пытаться уместить сорок слов туда, где помещается тридцать: страдает не только звук, но и текстовый слой.

Где голос спорит с музыкой

Музыка в вертикальном ролике почти обязательна, и именно она чаще всего съедает закадровый голос. Проблема не в громкости как таковой, а в том, что музыка и речь занимают похожий частотный диапазон — особенно если в треке есть вокал или плотная середина.

Что помогает:

• Выбирать под озвученные ролики инструментальную музыку без вокала. Два голоса одновременно — это всегда каша.
• Приглушать музыку там, где говорит диктор, и возвращать громкость в паузах и на финальном кадре. В любом видеоредакторе это делается ключевыми точками громкости.
• Оставлять музыке место: первые секунды до вступления голоса и последние секунды после последней фразы. Ролик от этого только выигрывает.
• Не подбирать трек с резкими акцентами ровно там, где идёт важная фраза.

Порядок работы удобнее такой: сначала голос, потом музыка. Голос задаёт хронометраж и паузы, музыка под него подстраивается. Если сделать наоборот, придётся переписывать текст под чужой ритм.

Всё перечисленное — это несколько генераций голоса по паре предложений каждая, а не гигантский проект. Озвучка коротких роликов вообще одна из самых дешёвых задач: тарификация в рублях, актуальные ставки — на странице прайсинга, а первые пробы по паре предложений обходятся в несколько рублей каждая, так что формат можно спокойно попробовать до того, как вы начнёте делать ролики регулярно.

Частые вопросы