Изменить голос онлайн нейросетью

Коротко. «Поменять голос» — это три разные технологии, которые часто путают. Можно переозвучить текст готовым синтетическим голосом, можно преобразовать уже записанную речь, оставив интонацию, и можно менять голос в микрофоне в реальном времени. Первое делается онлайн за минуту и звучит чище всего, второе требует хорошей исходной записи, третье — установленной программы, а не сайта. Ниже — как выбрать способ под задачу и что реально доступно из России.

Три способа изменить голос

Выбор зависит от того, что у вас на входе: только текст, готовая запись или живой разговор.

Ошибка, из-за которой люди неделями ищут «программу для изменения голоса», обычно такая: задача решается первым способом, а человек ищет третий. Если результат в итоге всё равно ляжет в видео или в аудиофайл, менять голос «на лету» незачем — проще получить чистую дорожку сразу.

Переозвучка: самый предсказуемый путь

Синтез речи даёт стерильную дорожку без шума комнаты, придыханий и щелчков — того, что потом вычищают часами. Порядок простой и одинаковый почти везде:

1. Подготовьте текст. Числа, даты и сокращения пишите словами: не «14.03», а «четырнадцатое марта». Ударения в спорных словах ставьте прямо в тексте — «зАмок» или «замОк».
2. Выберите голос. Мужской или женский, быстрее или медленнее. Для инструкций лучше ровный и чуть медленный, для рекламы — более энергичный.
3. Послушайте абзац, а не весь текст. Голоса по-разному справляются с терминами и именами собственными; проверять дешевле на коротком куске.
4. Разбейте длинные предложения. Там, где у человека была бы пауза, поставьте точку — модель дышит по знакам препинания.

В Умке это отдельный инструмент: восемь готовых голосов, мужских и женских, с настройкой скорости. Вы вставляете текст и получаете готовый аудиофайл. Подробный разбор — в гайде «ИИ-озвучка: как озвучить текст нейросетью».

Если есть готовая запись

Преобразование речи сохраняет вашу подачу — паузы, ускорения, усмешку — и меняет только тембр. Звучит это привлекательнее, чем синтез, но результат сильно зависит от исходника: модель не умеет отделять голос от акустики помещения, поэтому эхо, гул холодильника и шипение дешёвого микрофона переезжают в новый голос вместе с речью.

Что даёт максимальный прирост качества, причём бесплатно: записывать в комнате с мягкой мебелью и шторами, держать микрофон на расстоянии ладони, говорить чуть в сторону от него, чтобы не «взрывались» согласные, и сделать один дубль целиком вместо десяти склеенных кусочков. Если в записи есть музыка, её стоит отделить заранее — как это делается, разобрано в статье «Vocal remover: как отделить вокал от музыки нейросетью».

Важная оговорка про Умку: чат принимает изображения и документы, но не аудиофайлы, поэтому обработать в нём готовую запись нельзя. Голосом можно надиктовать запрос — до двух минут, — а расшифровку длинной записи делают в сервисе транскрибации и уже текст приносят в чат: что с ним потом можно сделать, показано в гайде «Как преобразовать аудио в текст с помощью ИИ».

Менять голос в микрофоне

Смена голоса в звонке или стриме — отдельный класс программ. Они создают в системе виртуальное устройство записи: вы выбираете его в мессенджере или игре, и звук проходит через обработку до того, как уйдёт собеседнику. Онлайн-сервис так не умеет в принципе — у страницы в браузере нет доступа к звуковому тракту системы.

Две вещи, которые стоит знать заранее. Во-первых, реальное время означает компромисс по качеству: чем меньше задержка, тем грубее обработка, и на быстрой речи появляется характерное «бульканье». Во-вторых, площадки всё чаще помечают или блокируют подменённый голос в верификации и в рабочих созвонах — это не запрет на развлечение, но повод не строить на такой схеме ничего серьёзного.

Чужой голос: где проходит граница

Свой голос можно менять как угодно — это ваша запись. С чужим тембром всё иначе: голос конкретного человека относится к охраняемым признакам личности, и использовать его без письменного согласия нельзя. С публичными людьми риск выше вдвойне, потому что узнаваемость и доказуемость там максимальные.

Отдельно стоит назвать вещь, которую часто маскируют под «пранк»: синтезированный голос родственника или коллеги в звонке с просьбой о деньгах — это не шутка, а мошенничество, и отвечать за него придётся по-настоящему. Именно поэтому большинство массовых сервисов, включая Умку, дают набор готовых синтетических голосов и не предлагают клонирование по образцу: у нейтрального диктора этой проблемы нет вовсе.

Сколько стоит

Озвучка тарифицируется по объёму текста и заметно дешевле картинок и видео. Для ориентира — текущие мерки Умки: умный текстовый ответ стоит 33 токена, быстрый — 1 токен, картинка на обычной рисующей модели — 35 токенов, на сильной — 148. Минимальный пакет — 290 ₽ за 725 токенов, это примерно 0,4 ₽ за токен. Дальше выгоднее: 690 ₽ — 1 811 токенов, 1 490 ₽ — 4 172, 3 900 ₽ — 11 700, то есть около 0,33 ₽ за токен. Точная сумма за конкретную озвучку видна до запуска.

Подписки нет: списывается только то, что вы реально сгенерировали, остаток не сгорает. Сам текст для озвучки — сценарий ролика, реплики персонажа, приветствие автоответчика — можно написать и вычитать на одной из 8 бесплатных моделей, и потратиться только на финальную дорожку. Актуальные цифры — на странице тарифов.

Частые вопросы