Вышли две новые модели для AI-озвучки. ElevenLabs v4 — от, пожалуй, самого известного сервиса в этой нише. А Fish Audio Drama 3 — модель с открытыми весами. Обе умеют менять подачу прямо внутри текста: говорить тише, с нажимом, с удивлением или почти шёпотом.
Я проверил обе на клонах своего голоса и дал им один русский текст с ремарками для интонации. Результаты приложил выше: сначала Fish, затем ElevenLabs.
Вот текст, который я прогнал:
[спокойно, доверительно] Представь: я открываю проект, и всё выглядит как обычно. Таймлайн, звук, знакомый голос. [с живым любопытством] Но стоит нажать одну кнопку — и система вдруг замечает то, что я сам пропустил. [с искренним удивлением] Подожди… она действительно нашла ошибку? [радостно, чуть быстрее] Да! Причём не просто подсветила её, а объяснила, почему здесь ломается логика. [с коротким смешком] Вот теперь это уже интересно. Самое важное — смысл остался на месте, а результат наконец звучит как надо.
[тихо, настороженно] А потом я проверяю финальный файл… и слышу странный щелчок посреди фразы. [почти шёпотом] Только бы снова не обрезало слово. [сдерживая раздражение, отчётливо] Нет. Так выпускать нельзя. Не нужно подгонять каждую букву под секунду — нужно сохранить целое предложение и естественную паузу. [твёрдо, с нажимом] Голос должен оставаться моим. Каждое слово должно быть слышно. [с облегчением, мягче] Пересобираю дорожку, включаю ещё раз… теперь переход чистый. [тепло, с улыбкой] Вот такой дубль я бы уже спокойно показал зрителям.
На мой слух, Fish заметно лучше сохранил сходство с моим голосом. Русский тоже звучит хорошо. Но ремарку «почти шёпотом» он убедительно не исполнил. У ElevenLabs наоборот: шёпот и смена эмоций получились гораздо точнее, зато голос меньше похож на мой и местами звучит слишком театрально.
Эта минута стоила $0,011 на Fish и $0,085 на ElevenLabs v4 — примерно в восемь раз дороже. У Fish сейчас скидка 80% на официальный API до 12 ноября. Потом цена вырастет с $10 до $50 за миллион символов. Тариф ElevenLabs v4 — $0,08 за тысячу символов.
На OpenRouter Drama 3 ещё дешевле: указано $2 за миллион байт UTF‑8, для моего текста это около $0,004. Но через OpenRouter я не запускал и реальное списание не проверял — пользовался официальным API Fish.
Пока действует скидка, поднимать модель на своей или арендованной видеокарте смысла для себя не вижу: официальной Drama 3 нужно минимум 48 ГБ видеопамяти. После акции буду разбираться, как эффективнее запускать Drama 3 на арендованном железе. Уже видел сборки, которые помещаются на RTX 5090; думаю, к концу акции они станут ещё качественнее.
Сейчас для моих задач Fish Audio Drama 3 — лучший вариант по сочетанию похожести голоса и цены. Пользуйтесь для своих проектов.
✈️ Подписаться на канал