Озвучка текста с эмоциями: как сделать голос ИИ выразительным
Ровная речь годится для инструкции, но рассказу, игровой реплике или трейлеру нужны эмоции: восторг, злость, спокойствие, страх, сарказм. Некоторые сервисы озвучки предлагают теги эмоций; у Supertonic 3, открытой модели, на которой работает SuperClonica, их нет. Эмоцию в ней дают три вещи, которыми управляете вы.
В этом руководстве — как честно добиться выразительной речи: выбрать подходящий голос, обучить голос по записи, сыгранной с нужной эмоцией, и написать текст так, как его нужно прочувствовать. Каждый голос можно бесплатно послушать на своей фразе.
Откуда берётся эмоция
Ползунка «радость» или «злость» нет, поэтому продумайте эмоцию до озвучки.
- Голос: каждый голос сохраняет манеру записи, по которой сделан, — спокойную, живую, мрачную или прыгучую.
- Референс: голос, обученный на злой, шёпотной или весёлой записи, говорит любой текст в этом настроении.
- Текст: пунктуация, длина предложений и выбор слов задают интонацию и энергию.
Выберите выразительный голос
В описаниях голосов каталога сказано, как голос подаёт реплики: ровно, живо, скачками, сдержанно, вкрадчиво. Для энергии берите голоса с живой или энергичной подачей — энергичных рассказчиков и многих персонажей игр и мультфильмов. Для спокойствия и тепла — ровные низкие голоса. Для угрозы лучше всего подходят злодеи с низкой размеренной подачей.
Впишите эмоцию в текст
Модель читает всю фразу целиком, поэтому пунктуация меняет мелодию предложения, а не только паузы.
- Восторг: короткие предложения и восклицательные знаки.
- Спокойствие: длинные предложения, точки, без восклицаний.
- Сомнение или напряжение: многоточия и запятые для пауз.
- Вопросы: вопросительный знак поднимает конец фразы.
- Характер: слова, которые человек действительно сказал бы в этом настроении.
Обучите голос с нужной эмоцией
Для особого настроения, которого нет ни у одного голоса, запишите чистый референс на 5–10 секунд, сыгранный в этом настроении, с точным текстом, и обучите по нему голос в студии на компьютере с видеокартой NVIDIA — или закажите его на бирже. Несколько голосов одного диктора — спокойный, злой и шёпотом — позволяют менять эмоцию от реплики к реплике.
Проверьте и озвучивайте офлайн
На странице любого голоса впишите свою фразу от 30 до 100 символов и нажмите «Озвучить», чтобы услышать, как он справляется с эмоцией. Для множества реплик скачайте файл голоса и используйте бесплатный движок SuperClonica: python -m pip install superclonica-cpu, затем superclonica --text "Вон отсюда. Сейчас же." --voice villain.json --lang ru --output line.wav. Он работает офлайн на обычном процессоре.