Как нейросеть превращает текст в голос: объясняем без формул

Нейросеть превращает текст в голос в несколько этапов: сначала она переписывает текст так, как его произносят вслух (цифры словами, сокращения полностью), потом решает, где ударения, паузы и повышения тона, и только после этого «рисует» сам звук выбранным голосом. Ошибки почти всегда появляются на первых двух этапах, а не на последнем. Поэтому голос может звучать очень естественно и при этом сказать «зáмок» вместо «замóк» или прочитать дату как номер телефона. Ниже разберём каждый этап на бытовых примерах, без формул и терминов.

Представьте, что вы читаете вслух незнакомый текст

Самый простой способ понять синтез речи — вспомнить, как вы сами читаете вслух текст, который видите впервые. Вы делаете несколько вещей одновременно, даже не замечая этого.

Во-первых, вы мгновенно решаете, как произнести то, что написано не буквами: «5 кг», «XX век», «т. е.», «2026». Во-вторых, вы выбираете ударение в словах, которые пишутся одинаково, но звучат по-разному. В-третьих, вы по знакам препинания и по смыслу понимаете, где вдохнуть, где голос пойдёт вверх (вопрос), а где вниз (точка). И только в-четвёртых — собственно говорите своим голосом.

Нейросеть делает примерно то же самое, только каждый шаг для неё — отдельная задача, где можно ошибиться. Человек опирается на жизненный опыт и контекст разговора. У модели есть только текст, который вы ей дали, и то, чему она научилась на огромном количестве записей речи.

Этап первый: текст переписывается в «произносимый» вид

Прежде чем что-то зазвучит, текст нужно привести к виду, который можно произнести. Этот шаг часто называют нормализацией, но слово можно не запоминать — суть в том, что всё нечитаемое превращается в слова.

Вот где начинаются типичные сюрпризы:

• Числа. «1/2» может быть «одна вторая», «первое февраля» или «один дробь два». «2026» — это год или сумма? Без контекста модель выбирает самый частый вариант, и он не всегда ваш.
• Падежи. В русском языке это отдельная боль. «С 5 участниками» должно звучать как «с пятью участниками», а модель может сказать «с пять участниками», потому что цифра не подсказывает падеж.
• Сокращения. «Г.» — это «город» или «год»? «Ст.» — «станция», «статья» или «старший»? Человек поймёт по соседним словам, модель — не всегда.
• Иностранные слова и аббревиатуры. «IT» могут прочитать как «айти» или как английское «ит», «ОГЭ» — по буквам или одним словом, «США» — «сэ-шэ-а» или «сша».

Что с этим делать на практике: писать для голоса, а не для глаз. Если важно, как прозвучит число, напишите его словами. Если сокращение может прочитаться двумя способами — раскройте его.

Было: Встреча 12.10 в 15:00, ауд. 3, ок. 2 ч.
Стало: Встреча двенадцатого октября в пятнадцать ноль-ноль, в третьей аудитории, примерно на два часа.

Второй вариант выглядит на экране громоздко, но для озвучки он идеален: модели нечего угадывать.

Этап второй: ударения и произношение

Когда текст стал словами, модель решает, как каждое слово звучит. В русском языке главная трудность — ударения. Слова-двойники вроде «замок», «мука», «атлас», «орган» пишутся одинаково, а произносятся по-разному. Модель смотрит на соседние слова и пытается догадаться. «Старинный замок на холме» — скорее всего прочитает правильно. «Замок сломался» — уже лотерея: это может быть и дверь, и крепость в плохом состоянии.

Есть и другие ловушки: буква «ё», которую часто не пишут («все» или «всё»?), редкие фамилии, названия городов, профессиональные термины. Модель лучше всего знает то, что часто встречалось в записях, на которых она училась. Всё редкое она произносит «по аналогии» — иногда удачно, иногда смешно.

Простые приёмы, которые помогают:

• ставьте «ё» везде, где она есть;
• в спорных словах перестройте фразу так, чтобы смысл был однозначным: «дверной замок сломался» вместо «замок сломался»;
• редкое имя или термин попробуйте написать так, как он слышится, а не как пишется, и сравните два варианта на слух.

Подробный набор таких приёмов для реальной работы собран в гайде про живую озвучку без «робота». Здесь нам важно другое: понять, почему ошибка возникает. Модель не «плохо слышит» — она просто не знает, что вы имели в виду.

Этап третий: паузы, интонация и эмоции

Это самое интересное место. Живую речь от механической отличают не звуки, а мелодия: где говорящий замедляется, где делает паузу, какое слово выделяет голосом.

Современные нейросети не читают по отдельным словам, а смотрят на фразу целиком и пытаются понять её смысл. Отсюда и появляется интонация. Вопросительный знак подсказывает подъём тона в конце. Точка — завершение. Запятая — короткую паузу. Многоточие — паузу подлиннее, с ноткой недосказанности. Восклицательный знак — больше энергии.

Получается, что знаки препинания для модели работают как режиссёрские пометки. Сравните:

Ты сделал домашнее задание.
Ты сделал домашнее задание?
Ты... сделал домашнее задание?!

Слова одни и те же, а прозвучат три разные сцены: констатация, вопрос и удивление с подозрением.

Откуда берутся эмоции? Модель научилась на множестве записей, где определённые слова и конструкции звучали определённым образом. Фраза «Ура, у нас получилось!» в её «опыте» чаще звучала радостно, чем грустно, — поэтому она и прочитает её радостно. Если же текст нейтральный, а вы хотите, чтобы он звучал тепло или тревожно, модели нужна подсказка: сам текст, построенный под эту эмоцию, или отдельная инструкция по стилю, если конкретная модель её принимает.

Отсюда же главная причина «плоского» звучания. Длинные предложения без запятых, канцелярит, перечисления через точку с запятой — модели не за что зацепиться, и она читает всё ровным тоном. Короткие фразы и живой синтаксис почти всегда звучат лучше.

Этап четвёртый: сам звук и тембр голоса

Когда модель решила, что и как говорить, она создаёт звук. Упрощённо: она «рисует» звуковую волну кусочек за кусочком, опираясь на выбранный голос — его тембр, высоту, манеру.

Голос в каталоге — это не запись конкретного диктора, которую нарезают на слоги, как было в старых системах озвучки. Это набор характеристик, по которым модель генерирует новую речь. Поэтому одна и та же фраза, озвученная дважды, может прозвучать немного по-разному: чуть другая пауза, чуть другой акцент на слове. Это нормально. Если вариант не понравился, иногда достаточно просто сгенерировать его ещё раз.

На этом этапе ошибки случаются реже, но бывают: странный призвук, «съеденное» окончание, слишком быстрый темп на длинном тексте. Обычно помогает разбить текст на части поменьше.

Почему Диктор и Диалог звучат по-разному

В Most AI в разделе озвучки текста есть модели в двух режимах: ElevenLabs V3 (Диктор), ElevenLabs V3 (Диалог) и Gemini 3.1 TTS (Диктор). Разница между режимами — не в качестве, а в задаче.

Диктор держит одну манеру на весь текст. Его задача — ровное, понятное чтение, где интонация следует за смыслом предложений. Поэтому он хорош для длинных учебных материалов: ничто не отвлекает.

Диалог решает более сложную задачу. Модели нужно понять, кто говорит, как персонажи реагируют друг на друга, где один перебивает, а другой отвечает с паузой. Реплики звучат живее и эмоциональнее, потому что модель играет разговор, а не читает текст. Условный пример сценки для практики английского (разметка здесь схематичная, просто чтобы было видно, кто говорит):

Пассажир: Excuse me, is this seat taken?
Попутчица: No, go ahead. Are you waiting for the train to Oxford too?
Пассажир: Yes! I thought I was late.

Если отдать такой текст Диктору, он прочитает всё одним голосом подряд, и вместо разговора выйдет пересказ. Диалог же разведёт реплики по разным голосам, и попутчица ответит пассажиру, а не просто прочитает свою строчку следом. Важная деталь: чем яснее вы обозначили, кто говорит и в каком настроении, тем меньше модели приходится угадывать. Это тот же принцип, что и с числами, только уровнем выше.

ElevenLabs V3 и Gemini 3.1 TTS в режиме Диктора тоже звучат по-разному: у моделей свои наборы голосов и своя манера. Какую выбрать под конкретную задачу, подробно разобрано в статье о выборе голосовой модели. Лучший способ — озвучить один и тот же абзац в обеих и сравнить на слух.

Мини-эксперимент: услышать все этапы своими ушами

Теория запоминается лучше, когда её слышишь. Вот короткий проверочный текст, в котором спрятано по ловушке на каждый этап. Он условный, придуман специально для проверки:

В 1812 г. у стен Кремля стоял замок? Нет... Замок висел на воротах.
Сбор — 12.10 в 9:30, ауд. 214, с 3 тетрадями.

Озвучьте его в режиме Диктор сначала в ElevenLabs V3, потом в Gemini 3.1 TTS, и слушайте не «нравится или нет», а по пунктам:

1. Год и сокращение. Прозвучало «в тысяча восемьсот двенадцатом году» или что-то другое? Это первый этап — перевод текста в слова.
2. Два «замка». Совпали ли ударения с тем, что вы имели в виду? Это второй этап — произношение.
3. Вопрос и многоточие. Поднялся ли голос на вопросе, была ли пауза после «Нет...»? Это третий этап — интонация.
4. Вторая строка. Как модель справилась с датой, временем, номером аудитории и падежом у «3 тетрадями»? Здесь снова первый этап, но в самом неудобном виде.

Результаты у двух моделей могут разойтись, и это полезно само по себе: вы увидите, что у каждой своя манера угадывать. Потом перепишите вторую строку словами («сбор двенадцатого октября в девять тридцать, в двести четырнадцатой аудитории, с тремя тетрадями») и озвучьте снова. Разница между первым и вторым прогоном наглядно покажет, сколько зависит от подготовки текста, а сколько от самой модели.

Почему в каталоге нет клонирования своего голоса

Многие спрашивают, можно ли загрузить запись своего голоса, чтобы нейросеть читала им. В каталоге Most AI сейчас такой возможности нет — есть только готовые голоса моделей.

Если посмотреть на то, как устроено клонирование, причины понятны и без внутренней кухни. Голос — это часть личности, почти как лицо или подпись. Технология, которая по короткой записи повторяет чужую речь, одинаково легко используется для поздравления бабушке и для телефонного мошенничества «от имени родственника». Проверить, что человек загружает именно свой голос и делает это добровольно, сложно. Поэтому работа с клонированием требует отдельных мер защиты и согласия владельца голоса.

Для учёбы и большинства бытовых задач клон и не нужен: готовые голоса звучат естественно, а важнее всего по-прежнему подготовка текста. Если вам нужна именно чужая речь, например голос преподавателя для курса, — это только с его явного согласия и вне рамок нашего каталога.

Частые вопросы