Клонирование голоса нейросетью: как это работает и где клон себя выдаёт
Первый клон голоса, который я услышал, читал прогноз погоды. Тембр был узнаваемый, а человек — нет: он не дышал, не спотыкался и произносил «плюс восемнадцать» так, будто ему за это не заплатят. Сейчас у одного нашего клиента выходят ролики, где его голос озвучивает текст, который он сам ни разу не читал вслух, и подписчики спорят с содержанием, а не с озвучкой. Между этими двумя точками несколько простых вещей, которые стоит понимать до того, как нести кому-то свой голос.
Как машина учится чужому тембру
Технически модель вытаскивает из записи компактное описание голоса, что-то вроде отпечатка тембра, и дальше накладывает его на любой текст. Слова берутся из текста, манера — из отпечатка. Поэтому клон может произнести фразу, которую человек никогда не говорил, и это не монтаж из кусочков, а синтез с нуля.
Голос состоит не из слов, а из привычек
Высота, скорость, как человек тянет гласные, где глотает окончания, с какой интонацией заканчивает вопрос. Нейросеть, обученная на тысячах часов чужой речи, уже умеет говорить вообще, с паузами и ударениями. Клонирование голоса нейросетью — это когда ей дают короткую запись конкретного человека и говорят: вот так теперь звучи.
Отсюда первое следствие, которое многих удивляет
Клону не нужно, чтобы вы записали каждое слово. Ему нужно, чтобы вы записали себя.
Сколько записи нужно и почему честный подрядчик не отвечает сразу
В интернете гуляет цифра «пятнадцать минут», иногда «нужно три часа»
Правда скучнее: зависит от того, какой результат вам нужен и какого качества исходник.
У ElevenLabs, в котором клонируем голос мы, два режима
Быстрый клон собирается с одной-двух минут чистой записи и готов сразу: модель не переучивается, а подстраивается под образец на ходу. Профессиональный просит от получаса до двух-трёх часов материала и обучается уже не мгновенно, а часами, зато держит тембр на длинных текстах и не плывёт. Разница между ними слышна не на первой фразе, а на десятой минуте.
При этом плохая запись на полчаса проиграет хорошей на три минуты
Эхо, кондиционер, телефонный микрофон, разная громкость в разные дни — модель честно выучит и это. Шипение холодильника за спиной тоже станет частью вашего голоса.
Поэтому на вопрос «сколько минут записать» мы отвечаем
Сначала проба. Берём две-три минуты, собираем клон, слушаем на реальном тексте, и только тогда становится понятно, хватит ли этого или нужен час чтения в тихой комнате. Тот, кто называет точную цифру до того, как услышал ваш голос, продаёт шаблон. Как устроена проба и что входит в работу, описано на странице про клонирование голоса.
Как звучит результат: короткая фраза и длинный монолог
На коротких фразах хороший клон практически не отличить
«Здравствуйте, сегодня разберём три ошибки в договоре» он скажет чисто, с правильной интонацией, и в сравнении вслепую вы, скорее всего, ошибётесь.
Проблемы начинаются на дистанции
Живой человек за пять минут речи устаёт, ускоряется на знакомых местах, замедляется на цифрах, шумно вдыхает перед длинной фразой. Клон делает вдохи там, где по тексту стоят точки, и делает их одинаково. Это и есть та ровность, которую ухо ловит раньше, чем мозг находит ей объяснение.
Ещё три места, где клон себя выдаёт
Эмоции: нейтральный и деловой тон он держит хорошо, раздражение, смех и сарказм — хуже. Ударения: редкие фамилии, аббревиатуры, слова вроде «звонит» модель прочитает так, как чаще встречала в обучении, и это не всегда ваш вариант. И числа: «в 2023-м» она может прочитать как «в две тысячи двадцать три». Лечится это правкой текста перед озвучкой: то, что важно услышать правильно, пишете словами.
Практический вывод
Клон голоса хорош для роликов на одну-три минуты, объяснялок, серии коротких выпусков. Для двухчасовой аудиокниги с диалогами я бы его пока не брал. Не потому что невозможно: править придётся столько, что дешевле начитать самому.
Можно ли попробовать самому
Можно, и я советую это сделать до разговора с любым подрядчиком. Но с оговорками.
Бесплатные тарифы у крупных сервисов клонирование, как правило, не включают: у ElevenLabs оно начинается с платного тарифа, бесплатному достаются только готовые голоса. Сайты с обещанием «клонируй голос онлайн за минуту» обычно упираются в три вещи: тембр похож, а манера нет; русский звучит с акцентом; в условиях мелким шрифтом часто написано, что результат нельзя брать в коммерческие проекты. Этот пункт стоит прочитать до того, как голос уйдёт в рекламу.
Отдельная сложность для российского пользователя
ElevenLabs ограничивает доступ из России и не принимает российские карты, так что «просто попробовать» превращается в квест с посредниками.
Если нужен один голосовой стикер для чата, хватит и бесплатного
Если голос будет говорить от имени компании, упрётесь в длинные тексты, стабильность тембра от ролика к ролику, правку ударений и лицензию. Это уже не бесплатно.
Что законно, а что нет
Свой голос клонировать можно
Единственное, о чём стоит подумать, — договор с подрядчиком: кому принадлежит модель голоса, где она хранится, кто может ей пользоваться после окончания работы.
Чужой голос без согласия нельзя, и это не серая зона
Запись голоса — персональные данные по 152-ФЗ. Если по ней можно установить личность, она относится к биометрическим, а на обработку биометрии закон требует письменное согласие отдельным документом, не галочку в форме. Если клон озвучивает видео с лицом человека, добавляется статья 152.1 ГК об охране изображения: тоже только с согласия.
Отдельной статьи именно про голос в Гражданском кодексе пока нет
Законопроект о статье 152.3 внесли в Госдуму осенью 2024 года, в начале 2025-го правительство его не поддержало с логикой «действующих законов достаточно», и до первого чтения он так и не дошёл. То есть защита есть, но собирается из нескольких законов.
И последнее
Если синтезированным голосом озвучен рекламный ролик, он маркируется как любая интернет-реклама: с erid и передачей данных в ЕРИР. То, что ролик сделан нейросетью, от маркировки не освобождает. Подрядчику стоит подписывать согласие на клонирование отдельным документом даже с самим владельцем голоса, чтобы через год ни у кого не возникло вопросов.
Когда клон не нужен, а когда окупается
Если вы записываете один ролик в месяц и вам нравится это делать, клон не нужен. Хороший микрофон и час времени дадут результат живее любой модели.
Клон окупается, когда голоса нужно много и регулярно, а человека, которому он принадлежит, мало. Эксперт, который ведёт канал, но не может каждую неделю садиться перед камерой. Руководитель, который сам озвучивает страницы услуг компании. Серия из двадцати коротких роликов, где текст меняется, а голос должен оставаться тем же.
У Игоря Никитина, основателя WMT, после настройки клон голоса и цифровой двойник собирают выпуск для Reels меньше чем за час без его участия в записи. Шесть выпусков вышло именно так: он пишет текст, остальное делает связка «голос плюс аватар». Что такое сам аватар, я разбирал в статье про нейроаватар.
Куда дальше
Если тема зацепила, подписывайтесь: дальше разберу, как выглядит запись для клона на практике и почему аватары до сих пор иногда моргают невпопад. А если хочется услышать, как это звучит на вашем голосе, посмотрите, из чего собирается нейроаватар для компании: голос там одна из частей, и проба делается до всего остального.
Частые вопросы
Самое неудобное — тоже здесь. Лучше спросить до старта, чем после.
Сколько минут записи нужно для клона голоса?
Для пробы хватает двух-трёх минут чистой записи. Для стабильного голоса на длинных текстах — от получаса. Точную цифру честно назвать можно только после пробы.
Можно ли клонировать голос бесплатно?
Частично. Бесплатные тарифы крупных сервисов клонирование обычно не включают, а бесплатные сайты дают похожий тембр без манеры и часто без права коммерческого использования.
Законно ли клонировать голос другого человека?
Только с его согласия. Голос — персональные данные, при возможности идентификации — биометрические, и согласие должно быть письменным.
Клон умеет говорить на других языках?
Да, тот же тембр можно наложить на английский или другой язык. Насколько при этом слышен акцент, зависит от модели и записи, поэтому проверяется только пробой.
Как понять, что говорит клон?
Слушайте длинный фрагмент: одинаковые вдохи, ровный темп без ускорений, странные ударения в редких словах и числах.
Хотите обсудить проект?
Расскажите задачу — получите план и расчёт за 24 часа