Озвучить книгу нейросетью: что получится, а что придётся поправить

Честно о синтезе речи для аудиокниг: где нейросеть уже звучит как чтец, где ошибается и как это быстро найти.

Голоса нейросетей за последние годы сильно выросли: ровное дыхание фразы, интонация вопроса, паузы по смыслу. Слушать такую аудиокнигу можно часами. Но «нажал кнопку — получил идеал» пока не бывает. Вот что синтез делает хорошо, а где нужен ваш взгляд.

Что получается хорошо

• Ровное чтение длинного текста. Голос не устаёт, не сбивается на десятом часу, громкость глав одинаковая.
• Паузы. После точки, многоточия, абзаца и заголовка — паузы разной длины, как у живого чтеца.
• Числа и сокращения. «В 1909 г.», «XIX век», «т. е.», «5 км» программа сама переводит в слова до озвучки.
• Разные голоса. Героям — свои голоса, рассказчику — свой; подробнее — Озвучка книги по ролям.

Где нейросеть ошибается

• Омографы. «Замок» и «замок», «мука» и «мука» пишутся одинаково — ударение зависит от смысла. Программа решает по соседним словам и показывает места, где не уверена.
• Имена и выдуманные слова. Словарь не знает, как ударять «Арвелин» или фамилию героя. Это правится один раз — для всей книги или для всего цикла.
• Игра. Сарказм, шёпот, крик — синтез передаёт их скромнее актёра. Программа делает несколько дублей предложения и выбирает живой, но актёрская игра остаётся за живыми чтецами.
• Редкие сбои. Пропущенное или повторённое слово. Поэтому после озвучки «Голосарь Книга» сама распознаёт запись обратно в текст и переозвучивает места, где что-то пропало или удвоилось.

Как проверить книгу и не слушать её целиком

После озвучки программа показывает короткий список «Проверьте N мест»: спорные ударения, от которых меняется смысл, реплики с неуверенным говорящим, числа «под вопросом». Обычно это десяток мест на главу — пять минут вместо часа прослушивания.

Важно. Чем чище текст, тем меньше правок: главы с заголовками, прямая речь через тире, без переносов слов посреди строки. Подробно — Как подготовить текст книги к озвучке.

Вопросы и ответы

Отличит ли слушатель синтез от человека?

Внимательный — да, особенно в эмоциональных сценах. Поэтому в файл аудиокниги записывается честная пометка «Озвучено с помощью синтеза речи».

Можно ли поправить одно слово, не переозвучивая главу?

Да. Исправили слово или ударение — переозвучится только кусок, где оно стоит, и спишутся знаки только за него.

Какие голоса лучше для аудиокниги?

Для длинной прозы — спокойные, ровные голоса рассказчика; для героев — контрастные по высоте и тембру. Голоса можно послушать до озвучки на своей же фразе.