Озвучка текста нейросетью: как выбрать голос и задать подачу

Четыре семейства голосов с ценами, почему подача важнее голоса, как подготовить текст, чтобы его прочитали верно, и обратная задача — расшифровка записи.

19 сентября 2026 г. · Как пользоваться, Музыка

Озвучка текста нейросетью: как выбрать голос и задать подачу

Озвучка текста нейросетью стоит ✦1 за запуск — около трёх рублей за пять тысяч знаков. Это дешевле и быстрее, чем искать диктора, но выбирать есть из чего: три семейства голосов, у каждого свой характер.

Что выбрать под задачу

Модель	Голосов	Чем хороша	Цена
Gemini TTS	30	Русский без акцента, подача задаётся словами, сценарий на несколько ролей	✦1
ElevenLabs	67	Самая живая интонация, 29 языков, режим диалога	✦1
OpenAI Audio	10	Плюс расшифровка записи в текст и субтитры	✦1
Kling	42	Синтез речи и отдельно — звуковые эффекты по описанию	✦1–2

Все принимают до 5000 знаков за запуск — это примерно три страницы текста или четыре минуты звучания.

Подача важнее голоса

Главная ошибка — перебирать голоса, когда дело в подаче. У Gemini TTS подача задаётся прямо словами перед текстом:

`` Прочитай спокойно и доброжелательно, как объясняют другу: Привет! Сегодня разберём, как устроены тарифы. ``

Работают указания вроде «шёпотом», «как диктор новостей», «бодро, с улыбкой», «медленно и раздельно», «с тревогой в голосе». Один и тот же голос с разными указаниями звучит как два разных человека.

Диалог на несколько ролей

Gemini TTS умеет сценарий: вы указываете, кто говорит, и каждому назначаете свой голос. Годится для подкаста, сценки, обучающего ролика с двумя ведущими. У ElevenLabs для этого отдельный режим «диалог».

Как выбрать голос, не тратя токены

В рабочей зоне у каждого голоса есть образец: нажмите на него в списке и послушайте, прежде чем запускать озвучку. Образцы лежат на сайте, токенов не тратят. Сначала отберите два-три подходящих голоса, потом читайте ими свой текст.

Как подготовить текст

Модель читает то, что написано, буквально. Поэтому:

Числа и сокращения пишите словами, если важно произношение: «две тысячи двадцать шестой», а не «2026»; «рублей», а не «₽».
Ставьте знаки препинания — по ним строится интонация и паузы. Текст без запятых читается монотонно.
Разбивайте длинные предложения. Диктор дышит, модель — нет: фраза на сорок слов прозвучит на одном дыхании.
Проверяйте ударения в именах, названиях и редких словах. Если слышно неверно — перепишите слово по слогам или подберите синоним.
Латиница в русском тексте читается по-разному: «NEURABOX» может прозвучать по-английски. Если нужно иначе — напишите кириллицей.

Обратная задача: запись в текст

У OpenAI Audio есть расшифровка: звук или видео на входе, текст на выходе, ✦0,02 за секунду записи. Часовая запись — примерно ✦72. Умеет отдавать субтитры с таймкодами — удобно для роликов.

Отдельный сценарий: расшифровать созвон, а потом отдать расшифровку текстовой модели и попросить краткий пересказ и список задач. Обе операции — на одном балансе.

Звук, который не речь

Если нужен не голос, а шум дождя, скрип двери или гул толпы, это Kling, режим «Звук по описанию» — ✦2 за запуск, до 200 знаков описания. Там же есть «Звук под видео»: модель смотрит готовый ролик и подбирает к нему звуковую дорожку.

Для музыкальных петель лучше подойдёт Suno в режиме «Звуки и лупы» — ✦2, с заданным темпом и тональностью.

Что дальше

Весь звуковой раздел с ценами — нейросети для музыки и озвучки. Как сделать песню целиком — разбор Suno. Сравнение голосовых моделей: ElevenLabs или Gemini TTS.