Синтез речи и дубляж: клонирует тембр по короткому образцу, читает текст с паузами и интонацией, переводит видео на другие языки, сохраняя голос автора. Разбираем модели, русские ударения, API и подводные камни доступа.

ElevenLabs — сервис синтеза речи, который вырос из узкой задачи: озвучить текст так, чтобы его не хотелось выключить на второй фразе. Сегодня это не один продукт, а платформа: текст в речь, клонирование голоса, дубляж видео, звуковые эффекты, музыка, распознавание речи и голосовые агенты в реальном времени. Общее у них одно — аудиодвижок и библиотека голосов.
Начинать стоит не с тарифов, а с модели: от неё зависит, получите вы «диктора» или «собеседника». Eleven v4 — флагман для художественной озвучки, 90+ языков. Eleven v3 — выразительная модель на 70+ языках с аудиотегами. Multilingual v2 — рабочая лошадка на 29 языках, включая русский. Flash v2.5 — 32 языка и задержка меньше 75 мс, её берут для телефонии и чат-ботов. Полный список моделей и их языков есть в документации, и он меняется чаще, чем хотелось бы.
Важно сразу разделить два сценария. Первый — «озвучить мой текст голосом из библиотеки». Второй — «озвучить моим голосом»: здесь начинается клонирование, верификация и юридическая ответственность. Это разные бюджеты, разные сроки и разные риски, и смешивать их в одном проекте — типичная ошибка новичка.
На входе — обычный текст. Внутри он проходит нормализацию: числа, даты, аббревиатуры и валюты разворачиваются в слова, затем модель строит просодию — где сделать паузу, какое слово выделить, какую фразу ускорить. Именно просодия, а не тембр, отличает живую речь от синтеза, поэтому один и тот же голос с разными настройками звучит как два разных человека.
Управление делится на три уровня. Первый — выбор модели и голоса. Второй — параметры генерации: стабильность, сходство с оригиналом, стиль, скорость. Третий — разметка текста. Здесь есть важная деталь: v3 и v4 не поддерживают SSML-теги пауз, для них пауза задаётся пунктуацией, тире и многоточиями. Тег <break time="1.5s" /> работает на моделях v2, и при злоупотреблении он дестабилизирует генерацию: модель ускоряется или добавляет артефакты. Вывод простой — текст под озвучку пишут иначе, чем текст под чтение глазами: короче фразы, больше точек, меньше вложенных конструкций.
На выходе — mp3 или PCM, для телефонии есть узкополосные форматы. Длинный текст лучше резать на абзацы и склеивать: так проще перегенерировать один неудачный кусок, не оплачивая весь материал заново. Это же спасает от «уплывания» интонации на многоминутных файлах.
Клонирование бывает двух видов, и путать их дорого. Instant Voice Cloning (IVC) не обучает модель: сервис опирается на уже имеющиеся данные и «узнаёт» похожий тембр по образцу. Достаточно 1–2 минут чистой речи (технический минимум — файл от 5 секунд, суммарно от 10 секунд), результат доступен почти сразу. IVC хорошо работает на обычных голосах и хуже — на редких акцентах и очень характерном тембре.
Professional Voice Cloning (PVC) — это уже fine-tuning отдельной модели. Нужно 30–180 минут аудио, обучение обычно занимает 3–6 часов и зависит от очереди; функция доступна с тарифа Creator и выше. PVC даёт голос, почти неотличимый от оригинала, но с жёстким ограничением: клонировать можно только собственный голос, и это подтверждается верификацией. Чужой голос — даже с письменным согласием — в PVC не пройдёт; владелец должен сам создать клон и поделиться им.
Третий путь — Voice Design: голос генерируется по текстовому описанию, сервис выдаёт три варианта на выбор, оплачивается только превью-текст. Удобно для игровых персонажей и черновых тестов, но для продакшена документация сама рекомендует PVC как самый стабильный вариант.
Качество клона определяется не количеством файлов, а их чистотой. Один говорящий, отсутствие эха и музыки, ровный тон, mp3 от 192 кбит/с (WAV выигрыша не даёт), пики −6…−3 dB. Документация прямо предупреждает: если в образцах человек то шепчет, то кричит, модель «не понимает», что именно клонировать, и результат становится нестабильным. И ещё: готовый клон нельзя выгрузить файлом — он живёт в аккаунте, поэтому исходники храните у себя.
На коротких и средних фразах ElevenLabs звучит убедительно: слышны смысловые ударения, запятые превращаются в паузы, а не в проглатывание, эмоция держится от начала до конца абзаца. В v3 появились аудиотеги вроде [laughs] или [sighs] — их вставляют прямо в текст, чтобы получить смех или вздох в нужном месте. Это не магия: тег может сработать не с первого раза и требует прослушивания.
Проблемы начинаются на длинных текстах. Модель может «поплыть»: повторить фразу, добавить лишний вдох, ускориться к концу главы, потерять вопросительную интонацию. Иногда появляется металлический призвук или щелчок на стыке кусков. Лечится это не настройками, а нарезкой: генерация по 1–3 абзаца, фиксированные параметры, отбор лучшего дубля из двух-трёх.
Второй источник брака — сам текст. Цифры, диапазоны, «г.» и «т.д.», длинные тире, латиница внутри русской фразы читаются по-разному в зависимости от модели и голоса. Если ролик идёт в эфир, текст готовят как для диктора: развернуть числа словами, убрать скобки, разбить перечисления. Это скучная работа, но она даёт больше, чем перебор моделей.
Русский поддерживают Multilingual v2, Flash v2.5, v3 и v4 — то есть практически весь актуальный набор. Но «поддерживает» не значит «не ошибается»: ударение в русском не выводится из написания, и модель расставляет его статистически. На обычных словах это незаметно, на фамилиях, брендах, заимствованиях и омографах — слышно сразу. «Замок» и «замок», «мука» и «мука» различаются только контекстом, и контекст иногда подводит.
Инструменты есть, но не все и не везде. В v4 работает IPA-транскрипция в косых чертах — можно точечно прописать произношение слова. Фонемные теги (CMU Arpabet и IPA) поддерживает только Flash v2, и рассчитаны они в первую очередь на английский. Универсальный путь — словарь произношений и alias-теги в Studio и через API, а также фонетическая запись: слово переписывают так, как оно звучит, выделяют ударный слог заглавной буквой или дефисом.
Практический минимум для русского проекта: завести глоссарий терминов и имён, прогнать его через один голос, сохранить удачные написания и переиспользовать в следующих генерациях. И обязательно слушать результат целиком: текстовый редактор ошибок ударения не видит, а заказчик услышит первую же.
Отдельная история — числа и аббревиатуры. «152-ФЗ», «4,5 млрд», «+7 999…» модель прочитает по-своему, и не факт, что так, как надо вам. В сценариях для эфира и телефонии эти места разворачивают словами вручную — один раз, зато навсегда.
Дубляж — вторая по значимости функция после синтеза. Сервис переводит видео и аудио более чем на 90 языков, стараясь сохранить эмоцию, тайминг и тембр говорящего, а фоновую музыку и шумы оставляет на месте. Несколько спикеров распознаются автоматически, в том числе при наложении речи. На вход можно подать файл, ссылку на YouTube или TikTok.
Автоматический дубляж (Dubbing v2) принимает до 1 ГБ и 180 минут в приложении, до 3 ГБ на файл через API. Есть настройка cloning strength от 0 до 10 (по умолчанию 7): выше — ближе к оригинальному голосу, но с большим переносом акцента и меньшей естественностью на языке перевода; ниже — естественнее звучит язык, но слабее сходство с оригиналом.
Редактирование транскрипта и перегенерация фрагментов через API доступны только на Enterprise; в приложении интерфейс есть. Старый Dubbing Studio (v1) с покадровой правкой находится в режиме поддержки — только критические исправления. На бесплатном тарифе дубляж помечается водяным знаком, на платных — нет, и скидки «кредиты вместо watermark» в v2 не предусмотрено.
Чего дубляж не делает: он не синхронизирует губы. Для липсинка нужен отдельный инструмент. И он не спасает плохой исходник: если в оригинале говорят наперебой или запись с эхом, тайминг поедет. Русская дорожка после перевода почти всегда требует редактуры — переводческая фраза длиннее английской, и голос начинает тараторить.
API у ElevenLabs — это HTTP плюс WebSocket для стриминга, с официальными библиотеками Python и Node.js. Авторизация по ключу, выбор модели и голоса в запросе, в ответе — аудио и служебные заголовки, включая стоимость генерации в символах. Последнее удобно для биллинга: расход считается на каждый запрос, а не по факту конца месяца.
Для реального времени берут Flash v2.5 (меньше 75 мс на стороне модели) или v4 turbo (около 100 мс). Замеры в документации медианные и без учёта сети и приложения, так что в бою к ним добавляется задержка канала. Стриминг отдаёт аудио кусками, и первая фраза звучит раньше, чем сгенерирован весь ответ, — для голосовых агентов это критично.
Инженерные мелочи, которые всплывают на второй неделе: лимит параллельных запросов зависит от тарифа; длинный текст надо резать и склеивать; одинаковые запросы стоит кешировать по хешу текста, голоса и настроек; символы считаются вместе с пробелами и знаками препинания, поэтому «дешёвый» на вид текст может выйти дороже ожидаемого. Кроме синтеза через API доступны распознавание речи Scribe, звуковые эффекты, музыка и голосовые агенты — но это отдельные продукты со своими лимитами.
| Протокол | HTTP REST и WebSocket, стриминг аудио |
| SDK | Официальные библиотеки Python и Node.js |
| Биллинг | Заголовок со стоимостью в символах на каждый запрос |
| Задержка | Flash v2.5 — меньше 75 мс, v4 turbo — около 100 мс (медиана без сети) |
| Что ещё по API | Дубляж, распознавание речи, звуковые эффекты, музыка, голосовые агенты |
Считают не минуты, а кредиты: для синтеза кредит привязан к символу, для дубляжа — к минутам видео. Логика ступенчатая. Free — бесплатный объём кредитов в месяц, без коммерческой лицензии и без PVC. Starter — коммерческая лицензия и мгновенное клонирование. Creator — профессиональное клонирование. Pro — PCM 44,1 кГц и повышенное качество аудио. Scale и Business — места в рабочем пространстве, несколько PVC и пониженная стоимость минуты. Enterprise — индивидуальные условия, DPA/SLA и BAA для медицины.
Конкретные суммы и объёмы кредитов меняются, зависят от региона и акций, поэтому здесь мы их не фиксируем: смотрите страницу тарифов на дату покупки. Что важно понять до оплаты: цена символа падает с ростом тарифа, но растёт минимальный платёж; кредиты переносятся при апгрейде и не переносятся при даунгрейде; часть перегенераций бывает бесплатной, если текст и настройки не менялись, — это показывают до генерации.
Скрытые расходы обычно не в подписке, а вокруг неё: дубляж считается минутами и съедает кредиты быстро; PVC занимает слот, а слотов на Creator всего один; дополнительные места и повышенный параллелизм — отдельная строка; корпоративные требования вроде DPA выводят на Enterprise.
Озвучка роликов и рекламы. Один голос на канал, единые настройки, генерация по сценам. Важно: реклама с синтетическим голосом должна быть либо явно обозначена, либо голос должен быть ваш — иначе вопросы возникнут и у площадки, и у зрителей.
Аудиокниги. Здесь решает не выразительность, а стабильность: голос не должен «взрослеть» к десятой главе. Помогают фиксированный клон, глоссарий произношений, нарезка по главам и нормализация громкости под площадку. Учтите: длинные тексты — самый дорогой сценарий по кредитам.
Подкасты. Синтез закрывает интро, анонсы, рекламные вставки и мультиязычные версии выпуска. Диалог двух ведущих лучше собирать по репликам, а не одним куском: так проще менять порядок и переписывать фрагменты.
IVR и телефония. Короткие фразы, Flash-модель, узкополосный звук и обязательное кеширование: один и тот же текст не должен генерироваться на каждый звонок. Для голосовых ботов важна не только задержка, но и предсказуемость — робот не имеет права «творчески» переставить ударение в слове «баланс».
Обучение и интерфейсы. Курсы, инструкции, озвучка слайдов, доступность. Тут выигрывает не эмоция, а единообразие терминов — тот самый глоссарий, который мы советовали завести выше.
Начнём с неприятного для российского читателя. ElevenLabs официально ограничивает доступ из ряда стран, и Россия в этом списке — вместе с Беларусью, Ираном, Кубой, КНДР, Сирией и рядом территорий. Это не слух и не блокировка «по IP на день»: политика опубликована в справочном центре. На практике это означает зарубежную карту или юрлицо, риск внезапной потери доступа и невозможность строить на сервисе критичный продакшн без плана Б.
Второе ограничение — привязка. Клон голоса нельзя выгрузить, аккаунт нельзя «переехать», история генераций остаётся в сервисе. Уход с платформы означает потерю голоса и необходимость заново записывать образцы, поэтому исходники храните отдельно, а готовые дорожки — тем более.
Третье — право. Клонирование чужого голоса без согласия нарушает и правила сервиса, и закон. В России голос напрямую не назван в ст. 152.1 ГК, но суды применяют её по аналогии с изображением; ст. 152.2 защищает частную жизнь, а запись голоса может попасть в категорию биометрических персональных данных по 152-ФЗ, если по ней устанавливают личность. В ЕС AI Act требует маркировать дипфейки, в США действуют законы штатов вроде Tennessee ELVIS Act. Практический вывод: письменное согласие, указание срока и цели использования, отдельная оговорка про рекламу — не бюрократия, а способ не судиться.
И четвёртое: сервис не гарантирует произношение. Ни один тариф не отменяет вычитку — ответственность за то, что голос назвал клиента чужим именем, лежит на том, кто нажал «сгенерировать».
Выбор сводится к задаче, а не к «кто лучше». Нужен характер и эмоция — ElevenLabs. Нужен предсказуемый корпоративный контракт и полный SSML — Azure. Нужен локальный конвейер без внешних зависимостей — Silero, но с оговоркой про лицензию. Нужен простой редактор для команды — Murf. Ниже — краткая карта, по которой можно отсеять лишнее за пять минут.
| ElevenLabs | Максимальная выразительность, дубляж, готовый API; дороже на объёме, доступ из РФ официально ограничен |
| Silero | Открытая модель, автоматические ударения в русском, работает локально на CPU; лицензия CC BY-NC 4.0 ограничивает коммерческое использование |
| Azure TTS | Корпоративный SLA, полный SSML, предсказуемая цена; меньше «актёрской» подачи |
| PlayHT | API-first синтез и клонирование, конкурентная задержка; экосистема и набор языков скромнее |
| Murf | Редактор с таймлайном для озвучки, удобен командам; ориентирован на английский |
ElevenLabs остаётся эталоном естественности на коротких и средних фразах: интонация, паузы и эмоция здесь ближе к живой речи, чем у большинства конкурентов, а дубляж и API превращают сервис из «игрушки» в производственный инструмент. Русский поддерживается полноценно, но требует глоссария и прослушивания: ударения всё ещё ловятся на слух, а не на глаз.
Кому не стоит: тем, кто строит критичный сервис внутри РФ — доступ ограничен официально; тем, кому нужен полный контроль над произношением через SSML — в v3 и v4 его нет; тем, у кого бюджет считается копейками на символ — локальные модели дешевле.
Кому стоит: продакшенам, где голос — часть бренда; командам, делающим мультиязычные версии видео; разработчикам, которым нужен быстрый и качественный TTS по API с понятным биллингом. Если попадаете в эти три категории — сервис отработает свою цену. Если нет — смотрите в сторону облачных и локальных альтернатив, они спокойно закрывают половину задач.
| Что делает | Синтез речи, клонирование голоса, дубляж видео, звуковые эффекты, музыка, распознавание речи |
| Модели | Eleven v4 (90+ языков), v3 (70+), Multilingual v2 (29, включая русский), Flash v2.5 (32) |
| Клонирование | Мгновенное — по 1–2 минутам аудио; профессиональное — 30–180 минут и верификация |
| Сильная сторона | Интонация и паузы: речь не читается «по слогам», эмоция держится на абзаце |
| Слабая сторона | Русские ударения требуют вычитки; на длинных текстах возможны сбои |
| Как считается цена | Кредиты: символы для синтеза, минуты для дубляжа |
| Доступ | Официально ограничен для России, Беларуси и ряда других стран |
| Кому подходит | Озвучка видео, аудиокниги, подкасты, IVR, мультиязычный контент |
Silero — локальный синтез с русскими ударениями · Azure TTS — корпоративный синтез с SSML и SLA · PlayHT — API-first синтез и клонирование · Murf — редактор озвучки для команд