Освіта · 2026-11-02

Як створюють синтетичні голоси: від запису до клонування

ШІ вчиться на записах справжніх голосів, а потім відтворює їх у тексті, і для клонування іноді вистачає менше двох хвилин аудіо.

⚙️ Як створюється синтетичний голос

Процес складається з трьох кроків. Спочатку збирають аудіозаписи людини, голос якої хочуть відтворити. Чим більше даних, тим точнішим і природнішим буде результат.

Далі нейромережу навчають або донавчають. Більшість сервісів використовують уже готову модель, а не створюють її з нуля. Після навчання модель може відтворити голос за одним записом мовлення.

Останній крок – генерація аудіо з тексту. Технологія text to speech перетворює текст на мову, а користувач може змінювати швидкість і тон.

📌 Чому ШІ-голос звучить природно

Старі голоси були механічними, бо склеювали окремі слова та склади. Сучасні нейромережі вивчають ритм, інтонацію й наголоси, тобто просодію. Саме тому питання звучить як питання, а схвильована фраза звучить схвильовано.

Ще одна відмінність – контекст. Модель оцінює цілу фразу, а не окремі слова. Наприклад, слово «read» вимовляється по-різному в теперішньому й минулому часі, і сучасний ШІ це враховує.

🔹 Два способи клонування

Миттєве клонування створює копію голосу з менш ніж двох хвилин аудіо. Це зручно, щоб спершу перевірити, як звучить голос, перш ніж брати великий проєкт.

Професійне клонування потребує від 30 хвилин до трьох годин записів і дає високоякісну копію. Є й варіант, коли голос створюють за текстовим описом, без жодного запису.

🔸 Де це використовують

Синтетичні голоси озвучують аудіокниги, діалоги в іграх, подкасти, рекламу та відповіді клієнтському сервісу. Також їх можуть використовувати, щоб зберегти голоси людей, які можуть їх втратити.

Головна стаття сайту ElevenLabs має заголовок «Introducing Eleven v4» і описує нову модель як свою найемоційнішу. У самому тексті статті розповідається про загальні принципи, а не про характеристики цієї моделі.

Джерела: 🔗 ElevenLabs Blog