/EVSTYGNEYМаркетинг на языке денег
ИИ и инструменты

Клон голоса на Mac mini: 64 секунды речи за 40 секунд

TL;DR Озвучку роликов к статьям я перенёс из облачного сервиса на свой компьютер: домашний Mac mini и бесплатная модель Qwen3-TTS, которая говорит моим голосом. Ролик теперь озвучивается примерно за минуту вместе с проверкой, а правка текста больше ничего не стоит. Экономия в деньгах копеечная: в облаке ролик стоил около 21 ₽, и одной озвучкой Mac mini окупился бы примерно через 4 700 роликов. Главный выигрыш — правки без счётчика. Трудности были с другим: модель пришлось выбирать по лицензии раньше, чем по качеству; каждая реплика звучала чуть другим голосом; а когда это починили, модель стала хуже ставить ударения. Ниже — как я выбирал модель, что получилось в цифрах и где способ не годится. Чтение — минут семь.

К статьям я делаю короткие вертикальные ролики: цифры статьи, графики и голос за кадром. Монтаж и рендер считает свой компьютер. Платной частью ролика оставался голос: облачный сервис списывает кредиты за каждый знак текста.

Простыми словами Модель озвучки — программа, которая превращает текст в речь. Клон голоса — такая модель, которой дали образец вашей речи на 8–14 секунд. Она читает любой текст похожим тембром и манерой. Обучать модель не нужно: образец она «вспоминает» при каждом запуске.

В облаке ролик стоил около 21 ₽

Первые 45 роликов я озвучил голосом диктора из каталога облачного сервиса. 24 сентября решил, что ролики автора должны звучать голосом автора, и переозвучил все 45 клоном своего голоса в том же сервисе. Партия с пятью переозвучками стоила 9 647 кредитов. 10 000 кредитов с комиссиями обходятся мне примерно в 1 000 ₽, значит, партия — около 960 ₽.

В деньгах Около 21 ₽ (214 кредитов) за ролик длиной 48–65 секунд. Это немного. Неудобно другое: каждая правка текста после озвучки — снова кредиты, а перед большой партией надо следить за балансом.

Лицензия решает раньше качества

26 сентября я проверил, какие модели озвучки можно запустить у себя. Ролики публичные, поэтому годились только модели, лицензия которых разрешает коммерческое использование. Хороших открытых моделей с русским языком много, но большинство это запрещают. Так отсеялись лучшие быстрые русские голоса Silero v5_ru, XTTS-v2, F5-TTS со всеми русскими доработками, Fish-Speech. У Яндекса и Сбера открытых моделей синтеза речи нет, у МТС и VK я их не нашёл. Проверял на GitHub и Hugging Face 26 сентября 2026 года, позже не перепроверял.

Отдельный случай — Piper с голосами denis и dmitri. Наборы записей, на которых их учили, открыты. Но сами голоса доучены из английского голоса lessac, а лицензия его записей запрещает коммерцию и продукты синтеза речи. В моём первом исследовании голосов у Piper стояло «коммерция — да», во втором я записал его в серую зону.

После отсева остались четыре модели. Замер — один и тот же текст на 848 знаков, шесть реплик, на домашнем ноутбуке без видеокарты NVIDIA. Ошибки считала другая нейросеть, которая распознаёт пробу обратно в текст: это мера разборчивости, интонацию и ударения она не видит.

Модель Лицензия Время на ролик Ошибки Голоса
Qwen3-TTS 1.7B с русскими ударениями Apache-2.0 около 2,5 мин 1,4% любой по образцу 8–14 с
Supertonic 3 OpenRAIL-M, озвучку надо помечать как машинную около 25 с 0,1–6,7% 10 готовых
Silero v5_cis_base MIT около 2 с 0–9% 29, с акцентом языков СНГ
vosk-tts 0.9 Apache-2.0 около 50 с и 2 мин загрузки 0% у голосов 1–4 5

Из этих четырёх клонировать голос по образцу умеет только Qwen3-TTS. Я выбрал её.

Замечание Я клонирую только свой голос. Чужой — только с письменного согласия владельца. Диктора из каталога облачного сервиса я не клонирую, даже если звучит он лучше.

Первый образец: клон клона звучал лучше живой записи

Первый образец мы с агентом вырезали из облачной озвучки моим же клоном — 11,8 секунды. Получился клон клона. Вечером того же дня нашлась моя живая запись на 2 минуты 54 секунды. Я сравнил оба образца на слух: живой звучал хуже. Остался клон клона с ускорением ×1,15, мой вердикт — «почти идеально».

На ноутбуке ролик на 65 секунд озвучивался 2,5 минуты. На Mac mini, когда модель считает на графическом чипе, — 64 секунды звука за 40 секунд. Это примерно в 3,8 раза быстрее ноутбука и в 3,4 раза быстрее того же Mac mini без графического чипа. Разборчивость у клона на своём компьютере и облачного вышла одинаковой.

Новая живая запись приблизила тембр к моему

К 8 октября у меня была новая живая запись: 32 минуты речи по сценарию из 16 блоков, от спокойного чтения и рассказа до вопросов и шёпота. Агент нарезал из неё образцы под семь подач и озвучил ими пробы. Из сравнения четырёх образцов я принял на слух три пробы: обычную речь, рассказ и энергичную подачу. В одной из отсеянных услышал шепелявость. Тембр стал ближе к живому. Сходство голосов мерила отдельная модель: чем ближе её оценка к единице, тем больше похожи голоса. Сходство с моей живой речью в пробах выросло с 0,59 у клона клона до 0,75 в среднем. В готовых роликах, озвученных одним куском, — 0,62–0,77, всё равно выше старого голоса. Для масштаба: моя живая речь в разных фрагментах похожа сама на себя на 0,86.

Каждая реплика — немного другой голос

Первый пилот на новом образце мне не понравился: «разные куски записи звучат по-разному, старая как будто однороднее». Агент разобрал это в цифрах. Каждая реплика озвучивалась отдельным запуском модели, и каждый запуск заново «вспоминал» голос по образцу. Разброс темпа между репликами вышел втрое больше, чем у старого голоса, разброс тембра — вдвое. Сходство реплик друг с другом — 0,82 против 0,92 у старого голоса.

Мы перепробовали четыре способа: подбирали лучший дубль на реплику, снижали случайность, чистили образец от шума, резали ролик на две половины. Половины дали середину, 0,86. Помогло озвучивать весь ролик одним запуском: сходство реплик выросло до 0,91–0,92. Дальше длинную озвучку режет на сцены GigaAM — модель, которая переводит речь в текст: она знает время каждого слова и находит паузу между сценами. Потом скрипт выравнивает темп и громкость сцен и ускоряет всё на выбранную величину. Я выбрал ×1,20.

У длинного дубля есть цена. Из четырёх первых дублей два вышли бракованными: один оборвался на 33-й секунде из 63, в другом пропала половина фразы. Поэтому каждую озвучку целиком переводят обратно в текст и сверяют со сценарием. Если подряд не совпало больше двух слов, скрипт повторяет озвучку с другим случайным началом — как перебросить кубик. После трёх неудач он озвучивает ролик по репликам, как раньше. По моей оценке, на ролик уходит около 40 секунд озвучки и 20 секунд проверки, при браке — вдвое больше. Отдельного замера на готовом конвейере я не делал.

Ударения одним куском хуже — я это принял

Ударения в тексте для модели расставляет скрипт, знаком над гласной. Одним куском модель хуже слушается этого знака. Мы проверили по звуку на двух роликах: совпадение с расставленными ударениями упало с 73 до 65% и с 78 до 73%. «Переименова́л» прозвучало как «пере́именовал», «автопило́т» — как «автопи́лот». Метод проверки грубый: в моей живой речи он находит верное ударение только в 56% слов. Поэтому сравнивали условия на одном тексте, а не отдельные слова.

Выбор был между ровным голосом и ударениями. Я выбрал ровный голос: на одном из роликов сходство реплик одним куском 0,92 против 0,81 по репликам. Словарь ударений здесь не помогает. В него я добавил три слова, которые неверно размечал скрипт расстановки ударений, но то, что модель одним куском хуже слушается знака, словарём не лечится.

Ещё две вещи получились плохо. Вопрос модель почти всегда читает без подъёма тона: в готовых роликах подъём есть в 8 вопросах из 60. В режиме клона она повторяет манеру образца, а инструкций не понимает. У облачного клона подъёма в вопросах тоже не было. Шёпот выходит наполовину: голосом звучит 51–56% речи, у живого шёпота — 17%. Вопрос шёпотом не вышел ни разу из пяти попыток.

Что получилось в цифрах

Облако Свой компьютер
Цена ролика около 21 ₽ (214 кредитов) 0 ₽, не считая компьютера и электричества
Время озвучки ролика — около минуты с проверкой, по оценке
Правка текста после озвучки снова около 21 ₽ за ролик ещё около минуты
Куда уходит текст в чужой сервис никуда
Ударения и интонация не мерил; вопросы без подъёма ударения одним куском хуже, нужен человек, который слушает

Этим клоном озвучен, например, 3D-ролик к статье: 23 секунды речи компьютер посчитал за 40 секунд.

Замечание Ноль рублей за ролик не значит ноль денег. Mac mini за 99 990 ₽ я купил в конце сентября, через пару дней после выбора модели, и озвучка была одним из главных доводов. При 21 ₽ за ролик в облаке одна озвучка окупила бы его примерно через 4 700 роликов. На нём же работают другие локальные модели: замеры. Если у вас нет компьютера, который тянет модель, считайте железо в цену способа.

Где это не работает

  • Ролик продаёт чужой продукт или выходит под брендом компании. Лицензию модели читать до первой пробы. Большинство хороших русских моделей разрешают только некоммерческое использование.
  • Чужой голос. Без письменного согласия владельца я бы не клонировал даже голос друга для шуточного ролика.
  • Нужны вопросы, шёпот, эмоции. Модель повторяет манеру образца. Для живой интонации понадобится несколько образцов под разные подачи и человек, который выбирает дубль.
  • Никто не слушает готовый ролик. Автоматика ловит обрывы и пропуски слов, а неверное ударение не ловит. Без человека с ушами ошибки уйдут к зрителю.
  • Роликов мало. По моей оценке, если их пять в месяц, облачный сервис проще. Настройка своего конвейера растянулась у меня с 26 сентября до 21 октября.

Откуда числа

  • Цена облачной партии в кредитах и длина роликов — журнал проекта роликов к статьям, 24 сентября 2026 года. Перевод в рубли — приблизительный: около 1 000 ₽ за 10 000 кредитов с комиссиями, по моим оплатам.
  • Выбор модели, лицензии и замеры на ноутбуке — моё исследование 26 сентября 2026 года. Ноутбук: AMD Ryzen 5 4600H, 16 ГБ, Windows 11. Ошибки считал whisper large-v3-turbo.
  • Скорость на Mac mini — замер 30 сентября 2026 года, Mac mini M6, 16 ГБ: около 150 секунд на ноутбуке, 136 на Mac mini без графики, 40 с графикой. Цена Mac mini — покупка в сентябре 2026 года.
  • Сходство голосов — модель ECAPA-TDNN (speechbrain, обучена на VoxCeleb), косинус к среднему 11 фрагментам моей живой речи, которые не брали в образцы. Модель чувствительна к микрофону, поэтому сравнения внутри одного синтеза надёжнее, чем синтез против живой записи.
  • Ударения — выравнивание гласных моделью MMS и сравнение длины, громкости и тона слогов; разбор 21 октября 2026 года.
  • Оценки «почти идеально», «шепелявость» и «разные куски записи звучат по-разному» — мои, на слух.

Сколько правок в своих роликах вы не делаете только потому, что каждая стоит денег?