Коллегам часто нужно озвучивать ролики, но не всегда есть возможность и даже необходимость делать это с помощью актёров. Особенно если это обычный ролик с инфографикой и закадровым голосом, который даёт комментарии. Я заметила, что кто-то из ребят сам пробует озвучить ролики в нейросетях. Но качество подводит, и затею с нейроозвучкой бросают. Вчера я дважды вела диалоги по поводу неутешительных результатов нейроозвучки, и вот что оказалось неочевидным для коллег, но что можно выправить и получить достойный результат:
🐌 "Странная речь спикера — то быстро говорит, то медленно, получается неоднородно и неестественно".
Такое чаще всего получается из-за несоответствия длины субтитра и количества символов, которое нейронка автоматически высчитывает для оптимальной скорости произнесения. Например, у вас отрывок на 5 секунд, а символов туда впихнуто 500. Естественно, машина начнёт тараторить. Или наоборот — отрывок на 10 секунд, а символов всего 150. Машина резко превращается в эстонца, пытаясь растянуть 150 символов на 10 секунд.
💡В настройках сегмента должно быть указано превышение или нехватка символов. Можно сократить текст или добавить в него воды. А можно сделать проще: некоторые нейронки позволяют растягивать или укорачивать сам субтитр с помощью бегунка. Тогда и спикер начинает говорить быстрее или медленнее. Только следите за паузами. Если перестараться с укорачиванием, между соседними субтитрами может появиться слишком длинная пауза. В таком случае нужно придётся всё же добавлять воды.
🇮🇳 "Мы озвучили, а в итоге вместо нашего красивого дикторского голоса получилось индийское айнанэ".
💡 Такое случается, вы не поверите, но из-за настроек экспрессии. Снизьте экспрессию, и получите стандартное славянское вещание. Также можно снизить подстраиваемость к акценту спикера, но мне эта настройка ни разу не пригодилась — хватало снижения экспрессии. Кроме того, можно поиграть с голосами из библиотеки или, при наличии соответствующих настроек/разрешений, создать voice clone, который постарается максимально приблизить голос к голосу спикера.
Эти методы, повторюсь, хороши и отлично работают для озвучания роликов с закадровым голосом. Как только в кадре появляется большое количество спикеров, нейроозвучка становится очевидна, потому что до естественности речи машине очень далеко.
🔤 Как хорошо, что на работе тоже есть аудиовизуальные задачи. АВП-заказов в последние две недели стало резко меньше,