Как озвучить текст нейросетью: голоса на русском, паузы и интонации
Озвучить текст нейросетью сегодня можно так, что голос трудно отличить от живого диктора: с паузами, интонацией, смешком в нужном месте. Но результат сильно зависит от того, как подготовлен текст. Рассказываем, как озвучить текст с помощью нейросети на русском, какую модель выбрать и какие пометки помогают управлять голосом.
Для чего это нужно
- Ролики и обучающие видео — закадровый голос без микрофона и студии.
- Объявления и автоответчик — «Здравствуйте, вы позвонили в…» без диктора и студии.
- Аудиоверсия статьи или книги — удобно слушать в дороге.
- Презентации и уроки — текст на слайде плюс голос.
- Поздравления — короткое голосовое сообщение с нужной интонацией.
Если нужен не голос, а песня — это другая задача, о ней мы писали в статье «Песня на день рождения нейросетью».
Какую нейросеть выбрать
В Анимате четыре современные модели озвучки, все говорят по-русски:
| Модель | Чем хороша | С какого тарифа |
|---|---|---|
| Eleven v4 | Самая выразительная: не читает, а играет текст. Первое место в независимом рейтинге Artificial Analysis | Pro |
| Eleven v4 Turbo | Та же манера, что у Eleven v4, но вдвое дешевле. Для объявлений и роликов | Basic |
| Gemini 3.8 Flash TTS | Слушается обычных фраз: «скажи медленно и тепло». Умеет диалог двух голосов | Basic |
| MiniMax Speech 2.8 | Живые паузы, вздохи и междометия; точные паузы по секундам | Basic |

Коротко: для большинства задач хватит Eleven v4 Turbo или Gemini 3.8 Flash TTS. Если важна актёрская подача — сказка, реклама, персонаж, — берите Eleven v4. Для спокойного голоса диктора с естественными паузами хорош MiniMax Speech 2.8.
Как подготовить текст
Нейросеть читает ровно то, что написано. Человек сам догадается, что «25.03» — это двадцать пятое марта, а «т. е.» — «то есть». Голос может прочитать это как угодно.

- Числа, даты и проценты — словами. «Двадцать пятого марта», «пятнадцать процентов».
- Сокращения — полностью. «Улица», «дом», «то есть», «и так далее».
- Буква «ё» — обязательно. «Всё» и «все» звучат по-разному.
- Слово с двумя ударениями — замените синонимом, если важно, чтобы его не прочитали неправильно: вместо «замок» — «крепость» или «дверной замок».
- Короткие предложения. Длинную фразу из трёх придаточных голос прочитает на одном дыхании, и слушателю станет тяжело.
- Иностранные названия — так, как их произносят по-русски: «Тойота», а не «Toyota», если голос спотыкается.
Как управлять паузами и эмоциями

У каждой модели свои пометки, и одна модель может прочитать пометку другой вслух. Поэтому используйте только те, что подходят выбранной модели.
Eleven v4 и Eleven v4 Turbo понимают пометки в квадратных скобках:
[excited] Мы открылись! [whispers] А первым десяти покупателям — подарок.
Gemini 3.8 Flash TTS слушается обычных фраз — как если бы вы объясняли задачу диктору:
Прочитай медленно и тепло, как сказку на ночь: Жил-был маленький ёжик, который боялся темноты.
MiniMax Speech 2.8 понимает звуки в круглых скобках и паузы по секундам:
Итак, (breath) начнём. <#1.5#> Первый шаг — самый простой.
Паузы без специальных пометок тоже работают у всех моделей: точка даёт короткую паузу, новый абзац — длиннее, многоточие — задумчивую.
Как озвучить текст в Анимате: пошагово
- Откройте «Озвучку текста».
- Вставьте подготовленный текст.
- Выберите нейросеть и голос — у каждой модели несколько женских и мужских. MiniMax Speech 2.8 работает в Студии, в разделе «Аудио».
- Нажмите кнопку — цена видна на ней до запуска и зависит от длины текста.
- Послушайте результат прямо на странице. Не понравилась интонация — поправьте пометки или попробуйте другой голос.
Длинный текст лучше озвучивать частями — по абзацу или по сцене. Так проще переделать один неудачный кусок, а не всё целиком.
Частые вопросы
Можно ли озвучить текст нейросетью бесплатно?
На тарифе Free озвучки нет: модели речи открываются с тарифа Basic за 690 ₽ в месяц. Зато на Basic месячного запаса хватит больше чем на двадцать страниц текста в Eleven v4 Turbo.
Какой голос самый естественный на русском?
По независимому рейтингу Artificial Analysis лучшая модель — Eleven v4. Но «естественный» — дело вкуса: послушайте одну и ту же фразу в двух-трёх моделях и выберите свою.
Можно ли озвучить текст своим голосом?
Нет, в Анимате озвучка делается готовыми голосами моделей. Клонировать свой или чужой голос нельзя.
Можно ли скачать готовую озвучку?
Да, запись можно послушать прямо на странице и скачать файлом. Все озвучки сохраняются в ваших работах в Студии. Учтите, что Gemini 3.8 Flash TTS добавляет в запись невидимую метку SynthID, по которой видно, что голос создан нейросетью.
Сколько текста можно озвучить за раз?
Зависит от модели, но удобнее всего — по одному-два абзаца. Так легче следить за интонацией и переделать неудачный кусок.