Режиссура ИИ-голоса: эмоция, темп и ударения в озвучке

Если ИИ-голос звучит ровно, спотыкается на ударениях и делает паузы не там, дело почти никогда не в модели. Дело в том, что вы дали ей текст, но не дали режиссуру. Живая подача собирается из трёх слоёв: разметки самого текста (пунктуация, абзацы, ударения), аудиотегов, которые подсказывают эмоцию и действие, и словесного описания тона. И ещё из одной привычки — править на коротких пробах, а не гонять весь сценарий целиком.

Базу о том, как выбрать голос и подготовить текст к озвучке, мы разбирали в статье про нейросеть для озвучки текста. Здесь следующий шаг: вы уже что-то озвучивали, результат «почти», и хочется довести его до уровня, за который не стыдно перед заказчиком.

Три рычага подачи

Прежде чем крутить что-то наугад, разложим, чем вообще можно управлять.

Текст. Модель читает то, что видит. Запятая даёт короткую остановку, точка — длиннее, многоточие — задумчивость, тире — смысловой перелом. Абзац — это вдох. Короткие предложения звучат энергичнее длинных. Половина проблем с темпом лечится правкой пунктуации, без единой настройки.

Аудиотеги. В ElevenLabs V3 можно вставлять в текст подсказки в квадратных скобках: эмоцию, манеру, действие. Например, [шёпотом], [смеётся], [с воодушевлением], [вздыхает]. Тег действует на фразу после него, и модель старается изменить подачу. Модель лучше понимает теги на английском ([whispers], [laughs], [excited]), поэтому, если русский тег не сработал, попробуйте английский вариант.

Описание тона. Gemini 3.1 TTS хорошо слушается словесной инструкции: перед текстом вы описываете, кто говорит и как. «Спокойный голос ведущего утреннего подкаста, говорит тепло, без спешки». Это грубее тегов по точности, зато задаёт общий характер всей записи.

Удобно, что эти рычаги друг другу не мешают. Пунктуация работает в любой модели, теги дают точечные акценты, описание задаёт фон.

ElevenLabs V3: Диктор и Диалог

В каталоге Most AI ElevenLabs V3 есть в двух режимах, и режиссировать их нужно немного по-разному.

Диктор

Режим для монолога: закадр, рекламный текст, урок, сказка. Здесь вы работаете как режиссёр с одним актёром. Главная ошибка — пытаться «накрутить» эмоцию, расставив теги в каждой строке. Модель начинает переигрывать, и запись звучит как пародия. Правило простое: один-два тега на абзац, в тех местах, где подача действительно меняется.

[спокойно] Каждое утро начинается одинаково: будильник, кофе, почта.
Сорок писем, из них важных — три.

[с лёгкой иронией] Знакомо?

[уверенно] Мы сделали так, чтобы эти три письма находили вас сами.

Обратите внимание: вопрос «Знакомо?» вынесен в отдельный абзац. Это даёт паузу до и после, и слово звучит как обращение, а не как проходная реплика.

Диалог

Режим для сценки на несколько голосов: рекламный диалог продавца и покупателя, разговор героев в сказке, интервью. Каждой реплике назначается свой голос, а теги работают внутри реплики. Здесь особенно полезны теги реакций: [перебивает], [смеётся], [удивлённо]. Они делают разговор разговором, а не двумя поочерёдно читающими дикторами.

Совет по диалогам: пишите реплики короче, чем в книге. Живые люди не произносят монологи по пять строк друг другу. Если реплика длиннее двух предложений, подумайте, нельзя ли разбить её вставкой собеседника («Серьёзно?», «Ну да»).

Стабильность

У самой ElevenLabs есть параметр стабильности. Если в настройках модели вы его видите, помните логику: чем он ниже, тем выразительнее и непредсказуемее подача, чем выше, тем ровнее и ближе к «дикторскому» чтению. Для рекламы и сказки разумно сдвигаться к выразительности, для учебного материала — к ровности. И если теги вдруг перестали действовать, первым делом загляните сюда: при высокой стабильности модель слушается их хуже. Если такого параметра под рукой нет, та же логика переносится на теги: меньше тегов — ровнее чтение.

Gemini 3.1 TTS: режиссура словами

Gemini 3.1 TTS работает в режиме «Диктор», и главный инструмент здесь — инструкция перед текстом. По сути это бриф для актёра: кто говорит, кому, в какой ситуации и с каким настроением.

Прочитай как ведущая короткого обучающего ролика.
Говорит с новичками, дружелюбно и спокойно, в среднем темпе.
Перед важными выводами делает небольшую паузу.
Не торопится на терминах.

Текст:
Сегодня разберём, как настроить уведомления. Это займёт пять минут.
Сначала откройте раздел «Профиль»...

Модель хорошо понимает описание роли («ведущая», «рассказчик сказки», «голос в рекламе кофейни»), аудитории и темпа. Хуже — сверхточные указания вроде «на третьем слове повысь тон». Для точечных правок лучше вернуться к тексту и пунктуации.

Ударения: как заставить модель читать правильно

Неверное ударение — самая раздражающая ошибка, потому что она сразу выдаёт синтез. Действуйте по нарастающей.

1. Знак ударения над гласной. Поставьте акут над ударной гласной: «звони́т», «догово́р», «ката́лог». Модели часто учитывают этот знак, но не всегда, поэтому проверяйте на пробе.
2. Фонетическая запись. Если знак не помог, напишите слово так, как оно звучит. Редкую фамилию или название бренда можно записать с удвоением или дефисом, чтобы модель услышала нужный слог.
3. Замена слова. Если слово упорно читается неправильно и это не имя собственное, перефразируйте. Слушатель не знает, что было в исходнике, а кривое ударение он слышит.

Для серийной работы заведите словарик произношения: термин — как записывать в тексте для модели. Через месяц он сэкономит вам кучу перегенераций. Отдельно следите за числами, сокращениями и англицизмами: числа пишите словами, аббревиатуры — так, как их произносят.

Паузы и темп

Паузы — это то, что отличает чтение от речи. Инструменты по надёжности:

• Перенос строки и новый абзац — самая длинная и предсказуемая пауза.
• Многоточие — пауза с интонацией недосказанности.
• Тире — короткий смысловой разрыв: «Это просто — если знать как».
• Теги паузы в ElevenLabs V3 вроде [пауза] или [short pause] модель обычно понимает, но результат менее предсказуем, чем у пунктуации.

Темп регулируется длиной предложений и описанием. Хотите быстрее — дробите на короткие фразы и добавьте в тег или инструкцию «энергично», «бодро». Хотите медленнее — длинные плавные предложения и «спокойно, без спешки».

Таблица: проблема — что поправить

Три примера разметки

Реклама

Короткий рекламный текст держится на ритме и одном эмоциональном пике. Условный сценарий: 20 секунд для кофейни.

[бодро] Понедельник. Семь сорок пять.
Вы ещё не проснулись — а мы уже сварили.

[тепло] Капучино на овсяном, круассан из печи.

[с улыбкой] Заходите по дороге. Мы рядом.

Пик — во второй строке, на тире. Финал короткий и тёплый, без крика. Громкая реклама на ИИ-голосе быстро превращается в карикатуру.

Аудиокурс

Для учебного материала задача обратная: ровная подача, которая не утомляет за двадцать минут. Эмоции минимум, паузы — максимум.

Прочитай как спокойный преподаватель, средний темп, без эмоциональных всплесков.
Делай заметную паузу между смысловыми блоками.

Текст:
В этом уроке три части.

Первая — что такое воронка продаж.
Вторая — где она обычно протекает.
Третья — как это измерить.

Начнём с первой.

Каждая часть — своя строка. Модель читает перечисление с паузами, и слушатель успевает разложить план в голове.

Сказка

Сказке нужна игра: шёпот, удивление, смена голоса у персонажей. Здесь хорошо работает режим «Диалог», если героев несколько, или «Диктор» с тегами, если читает один рассказчик. Идеи по выбору голоса для детей есть в статье про сказку на ночь AI-голосом.

[мягко, неспешно] Ёжик долго стоял у края леса...
и никак не решался сделать шаг.

[шёпотом] А в траве что-то шуршало.

[удивлённо] «Кто здесь?» — спросил Ёжик.

Многоточие в первой фразе растягивает момент, шёпот создаёт напряжение, удивление разряжает его. Три тега на эпизод — достаточно.

Работайте короткими пробами

Главный рабочий приём режиссуры — не озвучивать сразу весь текст. Возьмите кусок на 30 секунд, самый сложный: с эмоциональным пиком, трудным термином и репликой персонажа. Прогоните его, послушайте, поправьте одну вещь, прогоните снова.

Почему одну вещь за раз? Если вы одновременно поменяете тег, пунктуацию и стабильность, вы не поймёте, что именно сработало. Через три-четыре итерации у вас будет рабочая «формула» подачи: голос, настройки, стиль тегов, инструкция. Запишите её и применяйте к остальному тексту. Я правлю в одном и том же порядке: сначала пунктуация и абзацы, потом теги или инструкция, и только в последнюю очередь настройки. Так меньше соблазна лечить ползунком то, что чинится одной запятой.

Что слушать на каждой пробе, чтобы не распыляться:

• Первая фраза. Задаёт ли она нужное настроение с первых секунд или голос «разгоняется» только к середине.
• Пик. Звучит ли главная мысль сильнее остального текста, есть ли перед ней пауза.
• Трудные слова. Термины, имена, числа — все ли прочитаны так, как вы бы сказали сами.
• Финал. Не обрывается ли последняя фраза и не уходит ли интонация вверх, как будто текст не закончен.

Слушайте в наушниках и хотя бы раз — с телефона, на обычной громкости. Многие огрехи интонации слышны именно в том устройстве, на котором запись потом будут слушать.

Это ещё и экономно. Оплата в Most AI идёт за генерацию, без подписки, и перегенерировать тридцать секунд дешевле, чем пятиминутный текст, в котором не понравилась одна интонация. Актуальные цены на голосовые модели — на странице прайсинга.

После того как проба устроила, делите длинный текст на смысловые куски и озвучивайте их с одной формулой. Стыки проще склеить в монтаже, а перегенерировать неудачный фрагмент — легче.

Частые вопросы