Озвучить видео нейросетью: 6 шагов и где берут голос

Озвучить своё видео нейросетью это последовательность из шести шагов: написать текст под хронометраж (примерно 130-150 слов на минуту спокойной речи), выбрать голос или клон своего, сгенерировать дорожку не одним файлом, а по сценам, разложить куски по таймкодам, свести с фоновым звуком и проверить финал в наушниках и через динамик телефона. Главная ошибка новичков в другом месте: они пишут текст без учёта длины ролика, а потом ускоряют речь, и синтез становится слышен.

Ниже разбираем все шаги, а заодно три разные задачи, которые люди называют одним словом «озвучить»: закадровый голос, дубляж чужого видео и замена собственного голоса. Тарифы, которые удалось проверить живьём 13 сентября 2026 года, приведены с датой, а там, где сервис не отвечает автоматическому запросу, об этом сказано прямо.

Часть 1 · Развилка

Три разные задачи под одним словом

Эта статья про первую строку и частично про третью. Перевод и дубляж чужих роликов разобраны отдельно в гайде нейросеть для перевода видео, а выбор голосов и сервисов синтеза текста в гайде нейросеть для озвучки текста.

Шаг 1 · Текст

Текст пишется под секунды, а не под смысл

Практический приём: разложите ролик на сцены и напишите под каждую отдельную фразу с указанием длительности. Тогда текст сразу ложится на картинку, а не подгоняется потом. Заодно видно места, где сцена длинная, а сказать нечего: там либо режется видео, либо добавляется деталь.

Напиши закадровый текст под ролик.
Хронометраж: <секунд>, значит примерно <секунд/60*140> слов.
Разбей по сценам, у каждой укажи секунды и фразу.
Стиль: разговорный, короткие предложения, без канцелярита.
Никаких вводных вроде «в этом видео мы рассмотрим».
Слова, которые синтез читает неправильно, замени на простые.

Шаг 2 · Голос

Какой голос выбрать

Выбор голоса решает больше, чем выбор сервиса. Три ориентира. Для обучающего ролика берут спокойный средний тембр без актёрской подачи: он не надоедает на десятой минуте. Для рекламы наоборот нужен характер и темп. Для инструкции годится любой голос, но важна чёткая дикция на терминах.

• Слушайте демо на своём тексте, а не на рекламной фразе сервиса. На чужом примере все голоса звучат хорошо.
• Проверьте числа и англицизмы. Именно на них ломается большинство русских голосов: «2026» может прочитаться как набор цифр, а название сервиса по буквам.
• Не меняйте голос между роликами серии. Зритель привыкает к тембру быстрее, чем к лицу.

Часть 3 · Клон

Когда имеет смысл клонировать свой голос

Клон нужен в двух случаях: вы ведёте канал от своего лица и не хотите каждый раз садиться к микрофону, или роликов много и нужен одинаковый тембр во всей серии. Для разовой задачи проще взять готовый голос из библиотеки.

И отдельно про этику и правила: клонировать чужой голос без разрешения нельзя, это прямо запрещено правилами сервисов. Запись образца всегда делается своим голосом и в тишине, иначе клон унаследует и шум, и эхо комнаты.

Шаг 3 · Генерация

Почему дорожку делают кусками

Соблазн понятный: закинуть весь текст и получить один файл. На практике это дороже по времени. Любая правка означает перегенерацию всей дорожки, а после неё меняются паузы, и весь монтаж едет.

1. Одна сцена, один файл. Имя файла по номеру сцены, чтобы не искать потом.
2. Проверять на слух сразу. Плохую фразу дешевле переделать сейчас, чем на сведении.
3. Хранить исходный текст рядом. Через месяц вы не вспомните, какой вариант фразы озвучен.

Шаг 4 · Синхрон

Как подставить дорожку в ролик

В монтажной программе всё очевидно: старая дорожка убирается, новая кладётся, куски двигаются по сценам. Второй способ пригодится, когда роликов много и они собираются по одному шаблону: звук подменяется командой, картинка при этом не перекодируется, поэтому операция идёт секунды.

# видео берём как есть, звук новый, картинку не пережимаем
ffmpeg -i video.mp4 -i voice.mp3 \
  -map 0:v:0 -map 1:a:0 \
  -c:v copy -shortest out.mp4

Ключевое здесь -c:v copy: видео копируется без пережатия, поэтому качество не теряется и всё работает быстро. Если дорожка короче ролика, флаг обрежет результат по короткому потоку, и это заметно на финальных секундах: проверяйте длину до сведения.

Шаг 5 · Сведение

Сведение: то, что отличает ролик от черновика

• Музыка тише речи. Заметно тише, а не чуть-чуть. На телефоне разница съедается динамиком.
• Приглушение под голосом. Фоновая дорожка автоматически становится тише в момент реплики, и речь перестаёт тонуть.
• Выравнивание громкости. Куски, сгенерированные в разные дни, отличаются по уровню. Общая нормализация убирает скачки.
• Паузы на склейках. Полсекунды тишины между сценами звучат естественнее, чем встык.
• Субтитры. Половина зрителей смотрит без звука, поэтому дорожку стоит продублировать текстом: субтитры нейросетью делаются автоматически.

Часть 6 · Отладка

Почему это звучит как робот

1. Длинные предложения. Синтез не умеет держать интонацию на полутора строках. Режьте на короткие.
2. Нет пауз. Живая речь дышит: точка, вдох, следующая мысль. Сплошной поток выдаёт машину мгновенно.
3. Ускорение. Попытка впихнуть текст в короткую сцену растягиванием темпа слышна всегда.
4. Числа и аббревиатуры. Пишите словами то, что должно читаться словами, иначе получите «две тысячи двадцать шестой» там, где нужно «двадцать шестого года».
5. Один уровень громкости на весь ролик. Живая подача меняется, ровная дорожка усыпляет.

Источники

Откуда взяты цифры

• Страница тарифов Runway, открыта 13.09.2026: в Standard за 15 долларов в месяц входит генерация музыки, голоса и звуковых эффектов, в Pro за 35 долларов добавляется один пользовательский клон голоса, в Max за 95 долларов до трёх клонов, при годовой оплате цены 12, 28 и 76 долларов.
• Страница тарифов Opus Clip, открыта 13.09.2026: дубляж видео входит в план Pro за 29 долларов в месяц или 14,5 при годовой оплате с 3 600 кредитами в год; бесплатный план даёт 60 кредитов в месяц, ставит водяной знак и перестаёт отдавать клипы на экспорт через три дня.
• Проверка elevenlabs.io и страницы цен Яндекса, 13.09.2026: первый отвечает автоматическому запросу кодом 403, вторая требует пройти проверку, поэтому их тарифы в статье не утверждаются.
• Wordstat, Россия, 13.09.2026: частотность запросов про озвучку видео нейросетью и про клонирование голоса.

FAQ

Частые вопросы

Читать дальше