Как исправить ударения в озвучке ИИ

Дикторский голос может звучать спокойно и убедительно, пока не доберётся до названия, суммы или слова с двумя ударениями. Для слушателя это уже другая информация: старинный замок превращается в запирающее устройство, а код заказа звучит как количество товаров. Красивый тембр такую ошибку не исправляет.

Начнём с короткого отрывка: определим правильное чтение, поправим текст и сравним записи с одинаковыми настройками. В статье есть три аудиопримера ElevenLabs v3: объявление с цифрами и сокращениями, его речевая версия и абзац со словами «замок» и «атлас».

Контрольный фрагмент

Не отправляйте на первую пробу целую лекцию. Выберите небольшой законченный отрывок, где встречаются типичные сложности проекта: название, число, сокращение, слово с неоднозначным чтением. По нему будет проще выяснить, что именно нужно исправлять.

Для учебного аудиогида возьмём такую реплику:

Перед вами старинный замок. Справа лежит дверной замок. В витрине открыт географический атлас, рядом показан голубой атлас для подкладки.

Повтор здесь намеренный: он проверяет разные значения одинаково написанных слов. В обычном экскурсионном тексте формулировку можно сделать менее учебной, но для контрольной записи одинаковые написания полезны.

До синтеза запишите, что должно прозвучать, и выберите один голос. Зафиксируйте модель, язык и доступные настройки. Если одновременно менять текст и исполнителя, нельзя уверенно связать разницу именно с правкой фразы. Названия файлов должны различать версии, а не обещать заранее «плохую» и «идеальную» запись.

Что именно звучит неправильно

Словом «ударение» часто называют несколько разных проблем. От диагноза зависит исправление: расстановка пауз не определит, как прочитать артикул, а раскрытие сокращения не обязательно исправит ударный слог.

Например, строка «код 007» требует решения автора: ноль, ноль, семь или номер семь? Для лаборатории выберем посимвольное чтение с двумя нулями. Это условие нашего сценария, не универсальное правило для любого номера.

При разборе записи отмечайте точное место и услышанный вариант. Запись «неестественно» почти не помогает. Полезнее: «между словом “дверной” и существительным появилась длинная пауза» или «потерян первый ноль».

Сверяем ударение со смыслом

Для омографов, то есть слов с одинаковым написанием и разным произношением, нужен контекст. Правильный ответ «где ударение в слове замок» зависит от того, о чём идёт речь. Проверять следует и значение, и конкретную форму слова.

В учебном фрагменте нужны такие варианты:

Эти различия подтверждаются словарями. Знак над гласной здесь помогает читателю; он не означает, что любой синтезатор понимает такую запись как команду.

Для реплики «Телефон звонит» контекст не создаёт двух нормативных вариантов: нужно звони́т. Не придумывайте смысловую пару там, где её нет. Словарь произношения полезнее голосования между ответами нескольких чат-ботов.

Названия организаций и фамилии проверяйте по подтверждённому источнику или у носителя имени. Общая словарная статья может не решить вопрос с авторским названием. До уточнения пометьте его в рабочем списке и не выдавайте догадку за норму.

Две версии одного текста

Сохраните редакционный оригинал и сделайте отдельную версию для синтеза. На экране удобно видеть «24.09» и «1,5 м», а слушателю нужны произносимые слова. Эти версии связаны по смыслу, но не обязаны совпадать посимвольно.

В речевой копии восстановите «ё» там, где она действительно нужна: например, «платёж». Не заменяйте все буквы «е» автоматически. Машинная догадка может затронуть фамилию, незнакомое название или другую словоформу.

Уберите редакторские пометки из произносимого текста. Фраза «ударение на первый слог», вставленная в скобках, может попасть в запись. Держите указания отдельно и передавайте их лишь в специально предназначенное поле, если оно есть у выбранного инструмента.

Сложную письменную фразу можно разделить: «После проверки, которую проводит сотрудник при получении документов, мы направим ответ» превратить в «При получении документов сотрудник их проверит. После проверки мы направим ответ». Действие и условие сохранились, слушателю больше не нужно удерживать длинное вложенное пояснение.

После такой правки сравните версии: не исчезли ли сроки, отрицание или ограничение предложения.

Раскрываем цифры и сокращения

Нормализация текста превращает сокращённую запись в произносимую. Некоторые сервисы делают это автоматически, но неоднозначность всё равно приходится разрешать автору. «03.04» может быть датой, фрагментом номера или обозначением версии.

Для нашего объявления заранее договоримся: дата означает день и месяц, код читается по цифрам, длина задаётся в метрах.

Это желаемые способы чтения для нашего задания. Пунктуация в последней числовой строке помогает разделить элементы, но длительность пауз проверяется на слух.

Не теряйте слово «до» у скидки: без него меняется обещание. Следите за падежом: «длина полтора метра», но «от полутора метров». Если из источника непонятны единица измерения или значение сокращения, задайте вопрос ответственному за текст. Красиво озвученная догадка остаётся догадкой.

Словарь проекта

Небольшой рабочий словарь нужен уже для серии роликов. В нём фиксируют написание, желаемое чтение, контекст и основание решения. Запись для человека не обязательно является файлом, который можно загрузить в синтезатор.

Например: «замок; за́мок; здание в экскурсии; проверено по словарю». Отдельно: «замок; замо́к; экспонат справа; проверено по словарю». Правило, которое механически заменяет каждое вхождение, здесь непригодно. Оно исправит один смысл и испортит другой.

Для кода укажите: «007; ноль, ноль, семь; сохранить оба начальных нуля; редакционное решение». Для реального бренда потребуется утверждённое чтение, а не предположение модели. Если произношение ещё обсуждается, запись должна иметь статус «не согласовано».

При автоматических подстановках проверяйте регистр, окончания и совпадения внутри других слов. После изменения словаря переслушивайте затронутые реплики. Одна удачная форма не подтверждает, что все падежи названия теперь звучат верно.

Правка без специальных команд

Начните с правок обычного текста: уточните смысл соседними словами, раскройте числа и упростите неудобную конструкцию. «В зале представлен атлас» можно уточнить до «В зале представлен географический атлас». Для ткани подойдёт «Для подкладки выбран голубой атлас».

Текстовой нейросети можно поручить черновую адаптацию, оставив нормативную проверку редактору:

Проверьте ответ по исходнику до синтеза. Не дробите каждое слово на слоги: это может испортить ритм, а такой сценарий потом трудно редактировать. Если помогает обычная ясная фраза, сохраните именно её.

Подготовленный текст можно озвучить в ElevenLabs v3 в MashaGPT. Этой моделью мы сделали записи ниже.

Где работает специальная разметка

SSML позволяет задавать паузы и произношение с помощью специальных пометок. Прежде чем добавлять их, проверьте, какие команды принимает выбранная модель и где их вводить.

Например, у Yandex SpeechKit ударение в русской TTS-разметке задают знаком + перед гласной: з+амок, зам+ок. Его не следует путать с SSML: для SSML документация указывает API v1 и отдельное поле ssml.

У ElevenLabs возможности различаются даже между версиями моделей. Например, Eleven v3 не поддерживает SSML-тег паузы break, хотя для ряда других моделей он описан.

Для Eleven v3 описан другой приём: вставить прямо в текст транскрипцию IPA между косыми чертами. IPA передаёт звучание слова специальными символами, в том числе отмечает ударение. Транскрипцию нужно проверить отдельно; правильное чтение модель не гарантирует.

Эти способы управления произношением пока не проверены через Masha API. Для первого прогона достаточно обычного русского текста; к разметке переходите после проверки её поддержки и короткой пробы. Любой результат всё равно нужно прослушать в готовой реплике.

Слушаем пару без подсказок

Обе записи сделаны в ElevenLabs v3 голосом Rachel на русском языке. Скорость 1, стабильность 0,5, сходство с голосом 0,75, усиление стиля выключено. Менялся только текст. Публикуем первые ответы модели, без монтажа и отбора дублей.

Вариант А передан с цифрами и сокращениями, вариант Б с их расшифровкой:

А: «Встреча 24.09 в 15:30. Длина ленты 1,5 м. Цена 1 250 ₽. Скидка до 15%. Код 007. Ответ в PDF». Б: «Встреча двадцать четвёртого сентября в пятнадцать часов тридцать минут. Длина ленты полтора метра. Цена одна тысяча двести пятьдесят рублей. Скидка до пятнадцати процентов. Код ноль, ноль, семь. Ответ в формате пэ-дэ-эф».

Выше приведены тексты, переданные модели, не расшифровки записей. В варианте Б оба нуля, единица измерения и слово «до» заданы явно. Сохранились ли они при озвучке? Сравните записи в плеерах; заранее считать вторую безошибочной не стоит.

Сначала послушайте записи без текста перед глазами. Потом откройте эталон и проверьте целевые слова. Для каждой версии отметьте ударение, числа, пропуски и естественность фразы. Полезен второй слушатель, который не знает, какая версия ожидается лучшей.

Если результат нестабилен, повторите короткую пробу и сохраните все попытки. Одна удачная запись годится для конкретного ролика, но не доказывает безошибочную работу модели вообще.

Возвращаем фразу в абзац

Третья запись получена с тем же голосом и настройками. Модели передан весь контрольный абзац, без знаков ударения и специальных команд: «Перед вами старинный замок. Справа лежит дверной замок. В витрине открыт географический атлас, рядом показан голубой атлас для подкладки. Телефон звонит. Платёж принят».

Для проверки используйте эталон: за́мок и замо́к, а́тлас и атла́с, звони́т и платёж. Запись ещё нужно сверить с ним на слух. Обратите внимание и на паузы: понятен ли переход от здания к экспонату, не звучит ли перечисление как набор отдельных команд?

Исправленное слово нужно услышать с соседними предложениями. В изоляции оно может звучать приемлемо, а внутри абзаца получить странное выделение или слишком долгую паузу. Удачная короткая проба ещё не завершает работу над сценарием.

Если требуется замена участка записи, попробуйте пересинтезировать целое предложение или небольшой смысловой блок. Вклейка одного слова усложняет совпадение темпа, тембра и интонации. Затем прослушайте начало и конец вставки без остановки на границах.

Не обрывайте имя, число или перечисление ради лимита сервиса. Делите сценарий по законченным фразам и проверяйте предел выбранного метода. Например, у SpeechKit API v1 поле text ограничено 5000 символами; у других методов и сервисов свои ограничения.

Деление на смысловые блоки остаётся полезным и при большом разрешённом объёме: так легче найти и заменить проблемный фрагмент.

Титры и произнесённые слова

Речевая версия и экранный текст должны передавать одни факты. В титрах можно оставить «1 250 ₽», если в записи действительно звучит соответствующая сумма. В произносимом тексте не нужны скобки с редакторскими пояснениями, в титрах не нужны служебные теги.

После финального монтажа проверьте соответствие дат, кодов и ограничений. Особенно внимательно слушайте слова «не», «до», «от» и «включительно»: потеря короткого слова может изменить смысл сильнее, чем неудобная пауза.

Для публикации аудиопримера подготовьте текстовую расшифровку и пояснение, что именно предлагается сравнить. Обычная расшифровка не доказывает правильность ударения: оба варианта слова «замок» записываются одинаково. В учебной подписи можно показать ударный слог отдельно.

Не изображайте звуковую волну как доказательство нормативного произношения. Для этой задачи решающим остаётся прослушивание и сверка с эталоном.

Принимаем запись целиком

Перед выпуском прослушайте весь материал в конечном файле, а не только удачные фрагменты. Проверьте начало, стыки и последние слова, затем сравните запись с утверждённым сценарием. Нормативное произношение, точность данных и комфортный ритм принимаются отдельно.

В рабочем комплекте оставьте исходный текст, речевую версию, словарь проекта и сведения о голосе и модели. Если позже изменится дата или название, будет понятно, какую реплику обновлять и какие контрольные слова проверять повторно.

Приёмка заканчивается конкретным решением: критические слова подтверждены, числа совпадают, служебные инструкции не озвучены, полный файл прослушан. Если спорное имя или термин не удалось согласовать, выпуск этого участка следует отложить либо передать его диктору с подтверждённым образцом.

Начните с самого рискованного абзаца. Когда известны правильное чтение и способ проверки, правка перестаёт быть бесконечным перебором голосов и превращается в понятную редакторскую работу.