Голос Ольги: что уже сделано
Всё, что вы слышите в этой студии, построено на записях Ольги. Это не заготовка, а работающий голос, который уже говорит в приложении «Аля» на тестовом телефоне.
Послушайте, чего достиг голос
Насколько готов движок
Что откроет каждая следующая запись
Каждая записанная реакция сразу появляется в студии: тег перестаёт звучать паузой и начинает звучать голосом Ольги. Разговорные фразы пойдут в дообучение, после него голос сам научится делать паузы, думать вслух и поправляться.
Что уже записано у Ольги и что ещё нужно
Нажимайте на кружки с цифрами: каждая цифра это отдельная настоящая запись. Это те самые «живые реакции», которые студия вставляет в речь по тегам вроде [угу] или [смешок 3]. Ниже список того, чего в записях пока нет.
Кнопка озвучит одну и ту же фразу дважды: сначала сухо (как сейчас звучит сырой синтез), потом живо (с паузами по смыслу, затуханием окончаний и настоящими реакциями Ольги).
Записано
Ещё не записано
Нажмите на тип, чтобы внести его в лист для записи. Готовый сценарий (около 40 пунктов, 115 дублей) лежит в разделе «Дозапись корпуса», пакет «Живая речь».
Что дописываем к уже записанному (ТЗ-ГОЛОС-2, редакция 2.1)
Основа уже записана: 862 записи Ольги покрывают 95% звуков речи, числа, ударения и имена, поэтому её не переписываем. Дописываем только то, что делает голос живым: дыхание, вздохи, смех, «хм» и «ага», 11 подач (включая рекламную для радиороликов), спонтанную речь, темп и громкость. Всего около 4,5 часа чистой речи, 3074 записи, примерно 7 сессий.
| Область | Уже записано | Дописываем |
|---|---|---|
| Звуки русской речи | 95,4% покрытия, 828 фраз | 120 предложений, 98,5% |
| Числа, ударения | 42 из 43 числительных, 132 фразы, 35 ударных фраз | 60 фраз на падежи и даты, 77 слов, 18 пар омографов |
| Дыхание, вздохи, смех, «хм», «ага» | 65 реакций, 10 типов | 43 типа: изолированно и в речи |
| Подачи и сила | 2 подачи по 15 фраз | 11 подач × 3 силы, кросс-подачи, 12 рекламных роликов |
| Спонтанная речь, паузы | нет | 30 монологов, 80 ролевых ответов |
| Темп, громкость | нет | 24 фразы × 6 вариантов |
Предыдущая редакция корпусов (устарела, оставлена для справки)
Свои заявки на дозапись
Голос Али — это модель, обученная на записях Ольги. Она говорит только то, чему научилась. Если слово звучит неправильно, интонация не такая или не хватает нужной подачи, это исправляют не настройками, а дозаписью: Ольга записывает нужные фразы, и модель дообучается.
Правила записи
- Формат: WAV, моно, 48 кГц, 24 бита. Одна фраза, один файл. Имя файла по листу, например REQ_0001_1.wav.
- Запись сырая: без компрессора, лимитера, эквалайзера, шумоподавления и реверберации, без нормализации громкости. Модель выучит всё, что слышит, убрать потом нельзя.
- Уровень: средний около −24…−18 dBFS, пики не выше −6 dBFS. Горячо — отодвиньтесь от микрофона, а не поджимайте.
- Тишина: в начале 150–250 мс, в конце 200–350 мс.
- Манера: ровная, спокойная, доброжелательная, «без сцены». Темп разговорный, чуть медленнее обычного. В одной фразе не менять темп и высоту ради выразительности.
- Текст читаем буквально, слово в слово. «Ё» произносим как «ё». Оговорка или посторонний звук: перезаписать фразу целиком, не клеить из кусков.
- Дубли: для трудных слов записывайте три варианта в разных предложениях. Один пример модель может не запомнить.
Что обычно нужно дописывать
| Тип | Зачем | Пример |
|---|---|---|
| Ударение в слове | Модель ставит ударение по правилам и ошибается в редких словах и фамилиях | «звонИт», «кухонный», «Ахметзянова» |
| Числа, время, даты | Склонение и ритм: «двадцать одну», «в половине восьмого» | «Сейчас четырнадцать часов двадцать минут» |
| Имена и телефоны | Нужны разные имена в разных падежах | «Позвонить Гульнаре Ахметзяновой?» |
| Вопросы | Вопросительная интонация, подтверждение | «Отправить сообщение? Скажите да или отмена» |
| Эмоции и подачи | Тепло, уверенно, сочувственно | «Я рядом. Скажите, что случилось» |
| Паузы и дыхание | Естественные места для вдоха в длинных фразах | Фразы из 20–30 слов с запятыми |
Добавить в лист для записи
Лист для записи 0
Для звукорежиссёра: как тестировать
- Откройте «Студию», выберите пример из списка «Примеры текстов» или напишите свой.
- Нажмите «Озвучить всё». Звук появится на дорожке, кликом по ней можно перематывать.
- Меняйте ручки справа и озвучивайте снова. Каждый прогон остаётся в «Дублях».
- Отметьте звёздами лучший дубль, поставьте оценки и напишите, что не так. Всё приходит разработчику вместе с текстом и настройками.
- Скачайте файл: чистый WAV без обработки, 24 бита. Можно выбрать 44,1 или 48 кГц и скачать каждую реплику отдельно.
Что делают ручки (измерено)
| Ручка | Что меняет | Слышно? |
|---|---|---|
| Темп | Скорость всей речи | Да, сильно |
| Длина пауз | Растягивает паузы, которые вы поставили | Да |
| Паузы, затухание и протяжка окончаний | «Живое чтение». Голос обучен на коротких служебных фразах, поэтому на запятых он почти не дышит, а концы фраз обрывает за 0,1 с (у диктора 0,25 с). Эти ручки возвращают человеческое чтение, а «умные паузы» и «живой ритм» делают то, что делает хороший диктор: вдох перед придаточным, вставка быстрее, замедление к концу фразы. Галочка «Естественное чтение» отключает всё сразу, чтобы сравнить. | Да, сразу |
| Высота голоса | Основной тон в полутонах. ±2 полутона: ±11 % | Да |
| Размах интонации | Насколько тон «гуляет». Это обработка Praat. Тест UTMOS показал, что она снижает естественность, поэтому по умолчанию выключена (1,0) | Да |
| Тембр | Сдвиг формант: ниже — глубже и крупнее, выше — тоньше | Да |
| Динамика | Разница между тихим и громким. 1 — как есть | Да |
| Случайность звука и ритма | Мелкие вариации (в «Дополнительно») | Почти нет, оставлены для экспериментов |
Высота, размах и тембр делаются пост-обработкой (Praat) и на крайних значениях могут давать лёгкие артефакты. Если слышите, напишите, на каком значении.
Разметка
| Запись | Эффект |
|---|---|
| слОво | Заглавная гласная внутри слова: ударение на ней. Для первой буквы: 'аптека |
| сде//лать | Протяжка ударной гласной. Каждый / растягивает сильнее |
| по.слушайте | Короткая пауза внутри слова (150 мс) |
| | || | Пауза 300 и 700 мс |
| [пауза 500] | Пауза точной длины в мс |
| {0.7 текст} | Кусок медленнее (меньше 1) или быстрее (больше 1) |
Горячие клавиши
Ctrl/⌘ + Enter озвучить всё · Ctrl/⌘ + Shift + U ударение · Ctrl/⌘ + Shift + L протяжка · Ctrl/⌘ + Shift + P пауза
Ограничения бета-версии
- Родная частота голоса 22,05 кГц, моно. Верхние частоты выше 11 кГц отсутствуют.
- За раз до 1500 знаков и 40 реплик.
- Один голос диктора в двух вариантах. Новые подачи появятся после дозаписи корпуса.
- Проекты хранятся в вашем браузере. Чтобы перенести, нажмите «Сохранить проект».