Как рождается голос: путь от исходной речи до карточки в каталоге
Вы открываете каталог голосов, нажимаете play — и слышите чистый, живой тембр. Кажется, что голос просто «есть». На самом деле за каждым голосом стоит конвейер из нескольких этапов: от отбора исходной речи до финального мастеринга. Рассказываем, как рождается голос в «Голосаре» — без магии, по шагам.
Шаг 1. Откуда берётся исходная речь
Голос не придумывается с нуля — он вырастает из реальной речи диктора. Источником служат открытые и лицензированные наборы речевых данных, где записи можно использовать легально. Ключевое правило: мы не воссоздаём голос конкретного человека без его согласия. Если вы делаете свой голос, вы загружаете собственный образец и подтверждаете согласие — иначе система модель не построит.
Шаг 2. Отбор: не каждая запись годится
Первый фильтр — качество исходника. Прежде чем строить голос, конвейер проверяет запись на «присутствие»: достаточно ли в ней чистой, разборчивой речи, нет ли посторонних шумов, музыки и обрывов. Записи, которые не проходят этот гейт, отсеиваются сразу — тянуть слабый исходник дальше по конвейеру бессмысленно, брак всё равно проявится в финале.
Шаг 3. Цифровой отпечаток тембра
Дальше движок слушает отобранную речь и строит компактный «отпечаток» голоса — математический слепок тембра размером всего в несколько килобайт. Именно он хранит то, что делает голос узнаваемым: высоту, окраску, характер. Все такие отпечатки складываются в общий банк, и при синтезе движок берёт нужный слепок и «говорит» им любой текст. Один движок — сотни голосов, каждый со своим отпечатком.
Голос в каталоге — это не запись фраз, а отпечаток тембра. Поэтому одним голосом можно прочитать любой текст, которого диктор никогда не произносил.
Шаг 4. Контроль качества: как мы измеряем «чистоту»
Слух — вещь субъективная, поэтому качество мы ещё и измеряем. Синтез-превью нового голоса прогоняется через нейросетевую оценку чистоты звучания: она даёт объективный балл — насколько голос чистый, без шума и артефактов. Оценка считается с поправкой на язык, потому что «чисто» для русского и, скажем, для японского звучит по-разному. Голоса ниже порога не выходят на витрину — их отправляют на доработку или отбраковывают.
Шаг 5. Мастеринг: чтобы всё звучало ровно
Последний этап — привести голос к общему знаменателю. Громкость выравнивается, звучание нормализуется, чтобы в каталоге не было «тихих» и «кричащих» голосов и вы могли сравнивать тембры на равных. Это та же логика, что и мастеринг в музыке: технически всё уже готово, но именно ровный финал отличает профессиональный результат от сырого.
Шаг 6. Карточка в каталоге: язык и тир
Готовый голос получает карточку с полом, языком и тембральным описанием — и попадает в каталог только после ручной проверки. Здесь же появляется тир языка:
- Основные языки — ядро движка с гарантией качества (русский, английский, немецкий и ещё несколько).
- Бета — язык уже звучит через авто-режим, но качество мы ещё доводим.
- Скоро — язык в разработке: отбираем дикторов и настраиваем синтез.
Язык «выпускается» из беты не по расписанию, а когда стабильно проходит тот же контроль качества, что и основные. За тем, какие языки в работе и за что можно проголосовать, мы следим в Лаборатории.
Почему это важно для вас
Весь этот конвейер существует ради одной простой вещи: чтобы вы открыли каталог, нажали play и услышали чистый голос, а не шум и артефакты. Отбор на входе, объективный контроль качества и ровный мастеринг — причина, по которой голоса «Голосаря» звучат предсказуемо ровно, а не «как повезёт».
Вывод
Голос рождается не в момент, когда вы его выбрали, а задолго до этого — на конвейере из отбора, отпечатка тембра, контроля качества и мастеринга. Именно поэтому у языков есть тиры, а у каталога — стабильное качество. Откройте каталог и послушайте: теперь вы знаете, что стоит за каждым play.
Попробуйте сами — бесплатный стартовый пакет символов при регистрации.
