Выберите тип озвучки для конкретного ролика
Возьмём вертикальный ролик про отчёт с тремя действиями. Сначала открываем нужный экран, затем сравниваем недели и сохраняем результат. Если в кадре интерфейс, зритель смотрит на пункты меню и график. Здесь удобно сделать голос отдельно: можно поправить название кнопки и не пересобирать экран. Если человек произносит фразу в кадре, попробуйте модель с нативным звуком или отдельное согласование движений губ. Проверьте в официальной документации, что выбранная модель поддерживает звук в нужном режиме. Документация Google о генерации видео.
Сделайте черновой таймлайн. В 0–4 секунды зритель видит отчёт, в 4–12 — два периода, в 12–20 — результат, в 20–24 — финальный экран. Запишите голос тремя файлами. Текст для пробы: «Откройте отчёт. Сравните две недели. Сохраните результат». Для синтеза с отдельной дорожкой откройте Text to Speech, выберите русскоязычный или многоязычный голос и проверьте звучание на короткой реплике. Распишите буквами неочевидные сокращения и замените длинные числа словами, если модель ошибается. Руководство ElevenLabs.
Измерьте реплики и расставьте их на таймлайне
Мы синтезировали пробную фразу локальным голосом Milena на Mac. Целиком она заняла 4,087 секунды по FFprobe. Паузы в этом файле подходят для проверки экспорта. Чтобы реплики совпали с действиями, сгенерируйте их раздельно и положите начало первой на 0,4 секунды, второй на 4,4, третьей на 12,4. Проверьте, что каждая заканчивается до следующего действия. Если последняя реплика заканчивается слишком рано, добавьте воздух или чуть позже покажите финальный экран. Ускорение речи имеет смысл только если после него голос остаётся естественным.
Для локальной проверки на macOS используйте команды ниже, если голос Milena установлен. Первый файл — временный дикторский тест. После синтеза полезно добавить короткое появление и затухание на краях каждой фразы. Это убирает щелчки, если файл обрезали близко к звуку. В опубликованном ролике проверьте, чтобы музыка не перекрывала согласные и цифры.
say -v Milena -o voice.aiff 'Откройте отчёт. Сравните две недели. Сохраните результат.'
ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1 voice.aiff
ffmpeg -i silent.mp4 -i voice.aiff -map 0:v -map 1:a -af apad -c:v libx264 -c:a aac -shortest voiced.mp4Проверьте экспорт и субтитры
В локальном тесте мы подставили 24 секунды тестового видео. Выходной MP4 содержит одну видеодорожку на 576 кадров при 24 кадрах в секунду и одну аудиодорожку. Длина сохранилась ровно 24 секунды, потому что apad добавил тишину после фразы, а shortest завершил файл по видео. Для монтажа по репликам на место voice.aiff поставьте готовый микс из редактора. Если нужен звук исходного видео, сведите его в этом миксе заранее: команда выбирает только дорожку из второго файла.
На телефоне сначала послушайте ролик тихо. Термины и числа должны читаться на слух. Затем выключите звук и посмотрите, хватает ли зрителю подписи. Сверьте субтитры по звучащему файлу, особенно фамилии и название кнопки. Для финальной версии оставьте на диске проект, раздельные реплики, чистый видеоряд и файл субтитров. Так при смене одной фразы переэкспортируете только готовый монтаж.