🎙 Клонировал свой голос нейросетью. Получилось уныло — живая запись победила
Идея была красивая: больше не записывать голос для роликов. Нейросеть берёт восемь секунд моего голосового сообщения и дальше говорит моим голосом любой текст. Работает прямо на компьютере, без интернета.
Включил первую пробу. Тембр мой. А слушать невозможно: уныло, слова слипаются, ударения мимо. «Стоит» прозвучало так, что фраза поменяла смысл.
Потом стал разбираться, почему уныло. Живой голос всё время ходит по высоте вверх-вниз — так звучит интерес. В моём образце этот размах был 2,9 полутона, у живого диктора — от 4 до 5,6. Голосовое я записывал спокойно, между делом. Похоже, клон честно скопировал и эту спокойность.
Дальше по мелочи, но всё мимо. Ударение привычной разметкой не поставить: знак «+» модель читает вслух как «плюс», а значок над буквой ломает слово. На запятых она почти не делает пауз, и речь сливается в одну строку. А голос, собранный по описанию «мужской», вышел женским — с тех пор пол проверяю замером, а не на веру.
В итоге для роликов от моего лица оставил живую запись. Без вырезов: склейки на месте «э-э» слышно сильнее, чем сами «э-э». Только темп чуть быстрее с сохранением тона и выровненная громкость.
Голос нейросети для рекламы — рабочий вариант, но многое решает образец. Дайте ей скучную запись — получите скучного диктора. И проверяйте синтез не только ушами: к десятому дублю уши привыкают, а замер — нет.
