Озвучка длинного текста: где реальные пределы

«Без ограничений» — одно из самых частых слов в этом запросе, и честный ответ на него не «конечно, без ограничений», а число. Пределы есть у всех, они разные и почти всегда не там, где их ждут: не в длине текста как таковой, а в размере одного запроса. Разберём, где именно, и что делать со статьёй на сорок тысяч символов.

Почему потолок именно такой

Полезно понимать механику, потому что она объясняет, почему число именно такое, и заодно показывает, что его не выкручивают из вредности.

• Движок синтезирует короткими кусками — примерно по 600 символов. Это его собственное ограничение, и оно не ваша забота: текст режется и склеивается автоматически, вручную делить ничего не нужно.
• Узкое место — не синтез, а сборка. Куски нужно склеить и нормализовать в один файл, и вот эта операция и упирается во время. На десяти тысячах символов она проходит с запасом; на двадцати — уже как повезёт, а призом за неудачу становится двадцатиминутный необработанный WAV.
• Отсюда 10 000 как рабочий предел — это не «столько разрешили», а «столько проходит надёжно».

Посчитайте на своём тексте

Если текст всё-таки длиннее

Тогда его делят — и здесь важна одна деталь, которая делает деление безболезненным: голос сохраняется между запросами. Части будут звучать одинаково, а не как три разных диктора.

1. Режьте по смыслу, а не по счётчику. Граница части — конец раздела или абзаца, а не 10 000-й символ посреди предложения.
2. Не меняйте голос между частями. Это главное и единственное, что нужно соблюсти.
3. Склейте файлы в один. Соединение аудио — локальная операция без отдельной цены, о ней достаточно попросить.
4. Слушайте стыки. Единственное место, где деление слышно, — переход между частями; если пауза вышла короткой, добавьте абзацный отступ в начале следующей.

Про «бесплатно без ограничений»

Два слова в одном запросе, и они тянут в разные стороны. Безлимитной бесплатной озвучки не существует нигде: секунда синтеза — это вызов платной модели, и сервис, обещающий безлимит, прячет потолок в другом месте — водяной знак в начале файла, обрезка после первой минуты, очередь или дневной лимит.

Здесь ограничение одно и оно в балансе. Зато озвучка — одна из самых дешёвых операций: она считается по символам, и стартовых токенов за регистрацию и онбординг хватает на реальную работу с текстами. Ни водяного знака, ни обрезки, ни лимита на число обращений в день.

Одно ограничение, которого нет в цифрах

Вся эта глава про технические пределы, поэтому стоит назвать и тот, что техническим не является. Длину текста считает движок; чьим голосом он читается — решаете вы, и здесь предел один: свой голос или чужой с согласия его владельца. Запись, взятая из чужого ролика, остаётся чужим голосом на любом объёме текста — и пятнадцать минут озвучки чужим голосом ровно в столько же раз хуже, во сколько они длиннее пробной фразы.

Вставьте текст и послушайте.

Что почитать дальше

Как устроена задача целиком — клонировать голос и озвучить им текст. Что делает озвучку живой, а не «роботом», — озвучить текст голосом. Если голос нужен не дикторский — голос персонажа для озвучки.

В чате Twelver текст на пятнадцать минут речи озвучивается одним запросом, а длинный делится на части, которые звучат одним и тем же голосом. Стартовые токены начисляются после регистрации и онбординга.

Попробуйте сами

Всё из этого руководства работает в Twelver

Один чат для текста, картинок, видео, музыки и озвучки — без отдельных сервисов и подписок.

Открыть чат Twelver

🎤Лендинг по темеКлонирование голосаTwelver на AndroidТот же чат в приложении