Jak zrobić voiceover AI, który nie brzmi jak robot

Voiceover AI to wygenerowana komputerowo ścieżka głosu, która czyta twój scenariusz na filmie i zastępuje lektora. Zrobiony dobrze, nikt nie zauważy, że jest syntetyczny. Jak zrobić voiceover AI, który tak brzmi? Prowadzą do tego cztery rzeczy: głos pasujący do treści, scenariusz pisany do mówienia, a nie do czytania, naturalne tempo i miks z cichą muzyką i napisami pod głosem.

Większość ludzi dobrze wybiera głos i na tym kończy, a potem dziwi się, dlaczego wynik wciąż brzmi jak robot czytający instrukcję obsługi. Głos to może jedna trzecia pracy. Pozostałe dwie trzecie to scenariusz i miks, i właśnie im poświęcamy tu najwięcej miejsca.

To działa tak samo przy jednym filmie tygodniowo, jak i przy codziennym harmonogramie na kilku kanałach, czyli przy tym, co ludzie zwykle nazywają automatyzacją YouTube. Mechanika zostaje ta sama. Zmienia się to, ile z niej da się jeszcze robić ręcznie w takim tempie.

Jak naprawdę działają głosy AI

Każdy głos AI pochodzi z sieci neuronowej wytrenowanej na godzinach nagrań jednej osoby, wynajętego lektora albo mieszanki kilku mówców połączonych w coś nowego. Model uczy się kształtu tego głosu: wysokości, rytmu, oddechu, drobnych zawahań między słowami. Gdy dostaje nowy tekst, nie skleja nagranych wcześniej sylab, jak robiła to stara synteza mowy w infoliniach i nawigacjach. Generuje dźwięk od nowa, klatka po klatce, dlatego potrafi nadać naturalną melodię zdaniu, którego nigdy wcześniej nie widział.

Nie musisz rozumieć matematyki pod spodem, żeby dobrze z tego korzystać. W praktyce wybierasz głos z listy, tak jak wybierasz czcionkę, a resztą zajmuje się model. To, co kontrolujesz i co naprawdę decyduje o brzmieniu, to scenariusz, który mu podajesz, i ustawienia wokół niego, czyli część, którą większość ludzi przeskakuje zbyt szybko. Najczęściej widzimy sytuację, w której dwa scenariusze o tym samym znaczeniu, ale z inną interpunkcją, brzmią różnie, bo model reaguje na kształt zdania tak samo jak na treść.

Nowszą sztuczką opartą na tej samej technologii jest klonowanie głosu: dajesz modelowi krótką próbkę, czasem pięć sekund, czasem minutę, a on generuje nowe wypowiedzi tym głosem. To prawdziwe narzędzie i zarazem część tej dziedziny z największą liczbą zasad, o czym piszemy niżej.

To samo podejście neuronowe obsługuje dziś dziesiątki języków, a coraz więcej modeli robi to w jednym systemie, zamiast mieć osobny model na każdy język. Oznacza to, że scenariusz napisany po polsku może wyjść po angielsku, hiszpańsku czy japońsku z podobnym charakterem głosu, choć podobne brzmienie nie gwarantuje dobrego brzmienia.

Wybór właściwego głosu

Wybierz głos, zanim zajmiesz się tempem czy scenariuszem, bo wyznacza sufit dla całej reszty. O dopasowaniu decydują cztery rzeczy: płeć, wiek, na jaki brzmi głos, akcent i energia.

• Płeć: dopasuj ją do tonu treści, a nie do własnego głosu czy marki kanału. Spokojne streszczenie sprawy kryminalnej i nakręcony unboxing często chcą przeciwnych ustawień domyślnych, ale żadne z nich nie jest regułą, tylko punktem wyjścia do testów.
• Wiek, na jaki brzmi głos: młodsze głosy pasują do szybkich streszczeń i trendów, starsze albo cieplejsze do filmów objaśniających, dokumentów i wszystkiego, co ma brzmieć autorytatywnie.
• Akcent: neutralna polszczyzna albo neutralny angielski trafiają do najszerszej widowni, ale prawdziwy regionalny akcent może sprawić, że opowieść albo lokalna treść będzie bardziej konkretna i mniej ogólna.
• Energia: głos z wbudowaną jasnością lepiej niesie 30-sekundowy hook niż płaski, ale ta sama jasność męczy przy 15-minutowym filmie objaśniającym.

Platforma ma takie samo znaczenie jak rodzaj treści. Głos, który mocno wchodzi w pierwszych dwóch sekundach, lepiej radzi sobie na TikToku i w Shorts, gdzie i algorytm, i widz decydują szybko. Spokojniejszy głos z mniejszą energią lepiej trzyma uwagę przez 10-minutowy film na YouTube, gdzie zadaniem jest być przyjemnym przez długi czas, a nie wystraszyć kogoś, żeby przestał przewijać.

Nie wybieraj głosu wyłącznie na podstawie próbki. 10-sekundowa próbka prawie zawsze brzmi lepiej niż pełny scenariusz, bo pomija zdania, które obnażają słabe punkty głosu, jak liczby albo źle wymawiane imię. Wygeneruj minutę swojego prawdziwego scenariusza w dwóch lub trzech głosach, zanim wybierzesz jeden na cały film, zwłaszcza jeśli dopiero zakładasz kanał bez twarzy i nie wiesz jeszcze, na który głos reaguje twoja widownia.

Dopasowanie głosu do treści

Oto punkt wyjścia dla siedmiu popularnych rodzajów treści. Traktuj go jako ustawienie domyślne, a nie regulamin, i zmieniaj każde z nich, gdy tylko twoje testy pokażą coś innego. Podane tempo dotyczy angielskiego. Polskie słowa są średnio dłuższe, więc po polsku to samo tempo mowy daje zwykle mniej słów na minutę, dlatego oceniaj je przede wszystkim uchem.

Zwróć uwagę, że tempo zmienia się bardziej niż charakter głosu. Dokument i treść motywacyjna chcą ciepłego, głębokiego głosu, ale ta motywacyjna i tak musi jeszcze zwolnić w momentach, które mają znaczenie.

Scenariusz, który brzmi jak mowa

Scenariusz pisany do czytania wygląda zupełnie inaczej niż pisany do słuchania. Czytając akapit, możesz wrócić wzrokiem, gdy zgubisz wątek. Słuchając, masz tylko jedno podejście, więc każde zdanie musi trafić za pierwszym razem.

• Pisz krótkie zdania. Jeśli zdanie potrzebuje trzech przecinków, żeby się trzymać, to są dwa zdania.
• Pisz językiem mówionym. „Zrobisz to w minutę” brzmi jak człowiek. „Wykonanie tej czynności zajmuje około minuty” brzmi jak pismo urzędowe, chyba że celowo chcesz formalnego rejestru, na przykład w newsach.
• Jedna myśl na wers. Połącz dwie myśli w jednym zdaniu, a głos AI, tak jak lektor, będzie musiał zgadywać, gdzie postawić akcent.
• Przeczytaj tekst na głos, zanim cokolwiek wygenerujesz. Jeśli sam potkniesz się na zdaniu, głos AI też się na nim potknie, tylko grzeczniej.

Scenariusze, które przeszły test czytania na głos, prawie zawsze brzmią lepiej niż te dopieszczone tylko na papierze, nawet z identycznym głosem. Jeśli zaczynasz od pustej kartki, nasz generator scenariuszy wideo AI działa na tej samej zasadzie: najpierw krótkie, mówione zdania, potem szlif.

Jak sformatować scenariusz, żeby AI dobrze go przeczytało

Poza długością zdań jest kilka konkretnych rzeczy, na których synteza mowy regularnie się potyka. Żadnej nie jest trudno naprawić, gdy wiesz, czego szukać.

Nic z tego nie musi się dziać w pierwszej wersji. Pisz naturalnie, wygeneruj roboczą wersję, a potem wróć i popraw tylko te zdania, które wyszły źle. Najczęstsze pytanie o scenariusze w naszym wsparciu brzmi: dlaczego imię albo skrót wyszły zniekształcone. Jednorazowy zapis fonetyczny prawie zawsze to naprawia.

Tempo i pauzy

Większość swobodnej mowy po angielsku mieści się w przedziale 150-170 słów na minutę i to dobre ustawienie domyślne dla większości voiceoverów AI w tym języku. Po polsku licznik słów pokaże zwykle mniej przy tym samym odczuciu tempa. Szybsze czytanie pasuje do nakręconych treści i odliczań, gdzie energia liczy się bardziej niż jasność. Wolniejsze pasuje do wszystkiego, co zawiera liczbę, nazwę albo instrukcję, którą widz musi naprawdę zapamiętać, bo zrozumienie spada, gdy tempo wyprzedza zdolność słuchacza do przetworzenia tego, co właśnie usłyszał. Tempo równo 162 słów na minutę to dość bezpieczne środkowe ustawienie dla angielskiego, jeśli nie chcesz o tym myśleć przy każdym filmie.

Interpunkcja to twoja kontrola tempa, bo model odczytuje pauzy z niej, a nie z czegokolwiek, co powiesz osobno. Przecinek daje krótką chwilę. Kropka daje prawdziwą pauzę. Nowy akapit, jeśli narzędzie go respektuje, daje najdłuższą dostępną pauzę bez ręcznej edycji. Jeśli przed puentą potrzebujesz pełnej sekundy ciszy, to zwykle znak, że poprzednie zdanie powinno się tam kończyć, zamiast próbować wydłużyć przerwę samą interpunkcją.

Akcenty i emocje

Niektóre narzędzia dają bezpośrednią kontrolę nad tym, jak głos wykonuje kwestię: suwaki stabilności i ekspresji, ustawienie siły stylu albo znaczniki w nawiasach, na przykład szept czy śmiech. Tam, gdzie to istnieje, małe zmiany dają więcej niż duże. Podkręć ekspresję za mocno, a głos, który brzmiał pewnie, zaczyna brzmieć chaotycznie.

Tam, gdzie narzędzie nie daje takich kontroli, sam scenariusz nadal daje ci sporo możliwości. Interpunkcja i budowa zdań wykonują dużą część pracy emocjonalnej: krótkie zdanie po długim brzmi jak lądowanie, znak zapytania zmienia kształt całej kwestii, a słowo postawione samo w osobnym wersie zwykle niesie więcej wagi niż to samo słowo schowane w środku zdania.

Czego unikać

Unikaj wszystkiego, co wygląda jak didaskalia wpisane prosto w tekst mówiony, na przykład dopisku „(śmieje się)” jako dosłownej instrukcji. Większość głosów albo to zignoruje, albo, co gorsza, przeczyta na głos.

Voiceover w wielu językach i pułapki tłumaczenia

Wielojęzyczny głos AI naprawdę potrafi mówić po hiszpańsku, w hindi, po japońsku i w kilkunastu innych językach, często zachowując ten sam charakter głosu we wszystkich. To prawdziwa możliwość i duża część tego, dzięki czemu mały twórca może dziś realnie dotrzeć do widowni w innych językach.

Pułapki prawie zawsze tkwią w tłumaczeniu. Scenariusz przetłumaczony słowo w słowo często wychodzi w docelowym języku dłuższy albo krótszy niż oryginał, co rozwala całe zbudowane wokół niego tempo. Idiomy tłumaczone dosłownie zamieniają się w bzdury. Rejestr formalny i nieformalny ma w niektórych językach większe znaczenie, niż się wydaje, a zły wybór może sprawić, że przyjazny scenariusz brzmi sztywno albo wręcz niegrzecznie, co dobrze znamy z różnicy między „ty” a „pan” czy „pani” w polskim. Liczby, jednostki i waluty trzeba przeliczyć, a nie tylko przetłumaczyć, bo inaczej skończysz ze scenariuszem, który mówi o „dziesięciu milach” w kraju, który liczy w kilometrach.

Jeśli testujesz nowy język, najpierw wygeneruj krótki fragment i daj go do sprawdzenia rodzimemu użytkownikowi, zanim zdecydujesz się na cały scenariusz. Nasze darmowe narzędzia text to speech po hiszpańsku i text to speech w hindi to szybki sposób, żeby usłyszeć język, zanim zbudujesz wokół niego cały voiceover.

Na co pozwala klonowanie głosu

Klonowanie głosu bierze krótkie nagranie prawdziwego głosu, zwykle twojego, i pozwala modelowi generować nim nowe kwestie, których nigdy nie wypowiedziałeś. Dla samodzielnego twórcy to prawdziwe narzędzie: nagrywasz raz pięć minut i możesz o północy zmienić scenariusz bez ponownego nagrywania.

Klonuj wyłącznie własny głos albo głos, na którego użycie masz wyraźną pisemną zgodę. Klonowanie celebryty, innego twórcy albo kogokolwiek bez zgody łamie zasady niemal każdej platformy, a zależnie od tego, gdzie mieszkacie, może być też problemem prawnym. To również ten rodzaj skrótu, który zwykle kończy kanał, zamiast go rozwijać.

Ryzyko prawne i platformowe jest prawdziwe, ale jest też prostszy powód, żeby trzymać się zasad: sklonowany bez zgody głos jest zwykle rozpoznawalny jako fałszywy dla każdego, kto zna prawdziwą osobę, a to podważa cały sens używania naturalnie brzmiącego głosu.

Miks głosu, muzyki i napisów

Voiceover brzmi na skończony dopiero wtedy, gdy siedzi w prawdziwym miksie: głos na wierzchu, muzyka cicho pod spodem, napisy zsynchronizowane z tym, co naprawdę pada. Każdy z tych elementów zrobiony źle psuje dwa pozostałe.

Poziomy, które działają za każdym razem

Na początek trzymaj muzykę w tle mniej więcej 12-18 decybeli ciszej niż głos, bliżej 15, jeśli w utworze przebija się jakiś wokal. Przycisz ją jeszcze bardziej pod każdym zdaniem z naprawdę ważną informacją. Jeśli możesz nucić razem z muzyką, gdy mówi głos, jest za głośna. Jeśli film wydaje się martwo cichy między kwestiami, to prawdopodobnie muzyka jest za cicha, a nie tempo złe.

Napisy powinny śledzić dokładne słowa w dokładnym momencie ich wypowiedzenia, a nie luźną parafrazę spóźnioną o trzy słowa. Większość narzędzi, które generują voiceover AI, potrafi też wygenerować czasy na poziomie słów, które automatycznie sterują napisami. Warto z tego korzystać, nawet jeśli normalnie piszesz napisy ręcznie, bo oszczędza to ponownej synchronizacji przy każdej poprawce kwestii.

Głośność trzeba też sprawdzić pod kątem platformy, a nie tylko własnych słuchawek. Miks, który brzmi dobrze na dobrych głośnikach, może grać wyraźnie za cicho na telefonie w głośnym pomieszczeniu, więc ostatni odsłuch na niskiej głośności na głośniku telefonu wyłapuje problemy, które ukrywa studyjny sprzęt.

Częste błędy, przez które voiceover brzmi sztucznie

• Scenariusz jak ściana tekstu. Scenariusz napisany jako trzy długie akapity bez naturalnych miejsc na oddech brzmi na głos dokładnie tak: płasko, pośpiesznie, męcząco.
• Złe tempo do treści. Dokument czytany w tempie 200 słów na minutę brzmi jak klauzula prawna. Nakręcony film w tempie 130 słów na minutę brzmi, jakby grał na zwłokę.
• Niedopasowany głos. Jasny, młody głos czytający poważny film o finansach albo głęboki, autorytatywny głos czytający głupie streszczenie memów odbiera zaufanie, zanim treść w ogóle dostanie szansę.
• Brak napisów albo napisy, które się rozjeżdżają. Voiceover, którego nikt nie słyszy, równie dobrze mógłby nie istnieć, a duża część krótkich filmów przez pierwsze sekundy jest oglądana bez dźwięku. Rozjazd to ten sam problem w innej postaci: napisy dwa zdania za głosem wyglądają na zepsute nawet z włączonym dźwiękiem.
• Monotonne podanie. Głos wygenerowany z jednym płaskim ustawieniem dla każdej kwestii, bez różnicy między otwierającym hookiem a zamykającą myślą, męczy, nawet gdy każde zdanie z osobna brzmi dobrze.
• Pominięcie testu czytania na głos. Prawie każda niezgrabna kwestia AI wynika ze zdania, którego autor nigdy nie powiedział na głos przed generowaniem.

Czego się spodziewać po darmowych narzędziach do voiceoveru AI

Nie potrzebujesz płatnego konta, żeby sprawdzić, czy voiceover AI pasuje do twojego kanału. Wygeneruj za darmo kilka zdań, odsłuchaj je na swoich głośnikach i zdecyduj, zanim cokolwiek wydasz. Spodziewaj się mniejszej listy głosów niż w pełnej bibliotece, limitu generowania dziennie i standardowych zamiast premium modeli głosu. Niektóre narzędzia dodają też mały znak wodny do eksportu wideo, choć samo audio zwykle jest bez znaku.

Darmowa wersja dobrze sprawdza się do testowania głosu, scenariusza albo języka przed decyzją. Zaczyna ograniczać, gdy publikujesz codziennie i potrzebujesz sklonowanego głosu, dłuższych scenariuszy albo eksportu bez znaku wodnego. Wtedy płatny plan szybko się zwraca, zwłaszcza jako pełny generator wideo AI, który tworzy też obraz i napisy.

Voiceover w generatorze filmów krok po kroku

Oto prawdziwa kolejność tworzenia voiceoveru AI w generatorze filmów, od pustego scenariusza do gotowego miksu.

1. 1Najpierw napisz scenariusz, osobno, zanim dotkniesz jakiegokolwiek narzędzia. Przeczytaj go raz na głos i popraw wszystko, na czym się potkniesz.
2. 2Sformatuj trudne miejsca: liczby słownie, trudne nazwy fonetycznie, długie zdania podzielone na dwa. Tabela formatowania powyżej służy za listę kontrolną.
3. 3Wybierz głos pasujący do rodzaju treści (dokument, ranking, opowieść i reszta chcą różnych ustawień, omówionych wcześniej) i ustaw tempo naturalne dla twojego języka, chyba że treść wymaga szybszego albo wolniejszego. Kanał w stylu „ucz się ze mną” zwykle chce wolniejszego końca tego przedziału i głosu niemal bez wbudowanej energii.
4. 4Wygeneruj pierwszą wersję i przesłuchaj ją w całości, zanim cokolwiek zmienisz. Zanotuj dwie lub trzy kwestie, które brzmią źle, zamiast poprawiać w locie każdy drobiazg.
5. 5Dodaj muzykę pod głos, trzymaj ją cicho i pozwól, żeby napisy wygenerowały się z tego samego audio, dzięki czemu automatycznie zostaną zsynchronizowane.
6. 6Wyeksportuj i obejrzyj film na tej platformie, na którą publikujesz, bo miks, który dobrze brzmi w słuchawkach, może brzmieć inaczej z głośnika telefonu.

Jeśli chcesz spróbować bez instalowania czegokolwiek, nasze darmowe narzędzie text to speech do YouTube i generator głosu do TikToka pozwalają wygenerować i pobrać voiceover AI w kilka minut.

Na naszej stronie o lektorze AI znajdziesz pełne omówienie głosów, języków i ustawień, jeśli chcesz zgłębić narrację, zanim zajmiesz się obrazem. Przeczytaj ją raz, wybierz głos i wygeneruj swoją pierwszą prawdziwą wersję jeszcze dziś, zamiast odkładać to o kolejny tydzień.