Многоголосая озвучка нейросетью: диалог разными голосами

Многоголосая озвучка — это когда текст читает не один диктор, а несколько: у каждого персонажа свой голос, а на выходе — один аудиофайл. Раньше такую сцену собирали вручную: озвучивали реплики по одной и склеивали в монтажной программе. В студии озвучки Music Labs это один запрос: размечаете текст как сценарий, выбираете голос каждому персонажу — и меньше чем через минуту получаете готовый диалог до шести голосов.

Вот как это звучит: рекламный ролик пекарни на три голоса, шесть реплик.

Слушать

Как это работает

Нейросеть озвучивает каждую реплику отдельно — тем голосом, который вы назначили персонажу, — а потом склеивает их по порядку с паузой 0,4 секунды. Получается один MP3, в котором персонажи говорят по очереди, как в радиоспектакле, а вместе с файлом сохраняется текст сцены по ролям.

Ограничения режима:

Голоса — те же 341, что и для обычной озвучки: мужские, женские, детские, сказочные и дикторские. Озвучка работает на модели MiniMax Speech 2.8 Turbo.

Диалог за пять минут: пошагово

1. 1Выберите первый голос. Откройте студию озвучки и кликните по карточке голоса — он станет первым персонажем. Превью каждого голоса можно послушать бесплатно.
2. 2Нажмите «Добавить персонажа». Появится второй слот, а в поле текста — метки обоих персонажей. Чтобы поменять голос, выделите слот и кликните по другой карточке: метка в тексте поменяется сама. Всего — до шести персонажей.
3. 3Напишите реплики. Каждая с новой строки, в формате «Имя: текст». Имя — это имя голоса из каталога. Вот текст нашего ролика:

Марина: Макс, ты опять без завтрака?
Макс: Проспал. (sighs) Опять.
Марина: Держи круассан из «Колоска» — ещё тёплый.
Макс: Ого! Откуда такой запах?
Марина: Они пекут ночью, и к семи утра всё уже свежее.
Борис: Пекарня «Колосок». Свежий хлеб к семи утра — каждый день.

1. 1Настройте подачу. В «Параметрах озвучки» можно выбрать эмоцию — авто, радость, грусть, злость, спокойствие, нейтрально — и скорость от 0,5 до 2. Они применяются ко всему диалогу сразу. Если не уверены, оставьте «Авто»: модель сама подберёт интонацию по смыслу каждой реплики.
2. 2Нажмите «Озвучить». Внизу поля видна стоимость. Готовый диалог появится во вкладке генераций с пометкой «Диалог» и числом голосов — обычно меньше чем через минуту.

Правила разметки: что нужно знать

Сервис узнаёт персонажа по метке в начале строки. Отсюда несколько правил, которые экономят время:

Если в сценарии роли называются «Продавец» и «Покупатель», держите рядом шпаргалку «Продавец — Макс, Покупатель — Марина» и пишите в тексте имена голосов. Имена в метках не тарифицируются — платите только за текст реплик.

Паузы, вздохи и смех внутри реплики

Внутри реплики работают те же теги, что и в обычной озвучке:

• Пауза — <#0.8#>, цифра задаёт длительность в секундах. Поставьте тег в начало реплики, если перед ней нужна пауза длиннее стандартных 0,4 секунды, — например, перед финальной фразой рассказчика.
• Звуки — (laughs) смех, (sighs) вздох, (whistles) свист и ещё семь. Полный список открывается кнопкой «Теги» в поле текста.

Вот сказка на три голоса, где в одной реплике есть смех, а перед последней — пауза:

Слушать

Бабушка Люся: Жила-была в лесу Лиса, и была она большая хитрюга.
Лиска: Ой, Кузьмич, какая у тебя рыбка! Дай попробовать хвостик?
Кузьмич: (laughs) Знаю я твои хвостики, Лиса. Весь улов уйдёт!
Лиска: Да я только понюхать… Честное лисье!
Бабушка Люся: <#0.8#> Но Кузьмич был мужик непростой и рыбку свою не отдал.

В нашем тесте теги не прочитались словами: (laughs) прозвучал как смех, (sighs) — как вздох, а <#0.8#> дал паузу около секунды перед репликой рассказчицы. Учтите, что теги считаются знаками при подсчёте цены.

Как подобрать голоса персонажам

Главное правило — контраст. Два похожих голоса в диалоге сливаются, и слушатель теряет, кто говорит. Разводите персонажей по полу, возрасту и манере: деловой женский голос и мягкий мужской, бабушка-рассказчица и звонкая лисичка. У голосов в студии есть категории — «Реклама», «Сказки», «Игры», «Подкасты», «Обучение», «Аудиокниги», — по ним удобно искать.

Голоса, с которых можно начать (описания — из карточек в студии):

Не смущайтесь происхождением голоса. В каталоге много голосов из китайской, корейской и японской библиотек — та же Бабушка Люся или Лиска, — но по-русски они говорят без акцента: в нашей сказке все три голоса как раз такие. Голоса, у которых акцент слышен, отмечены в каталоге тегом «Иностранный акцент». Перед генерацией послушайте превью: это бесплатно, а нужный голос по описанию угадывается не всегда.

Сколько стоит и где доступно

• Цена — 5 кредитов за 1000 знаков текста реплик; счёт округляется вверх до целого кредита. Имена в метках бесплатны, теги паузы и звуков считаются знаками. Наши сцены на 219 и 257 знаков стоили по 2 кредита, сцена на максимальные 5000 знаков — 25 кредитов.
• Где доступно — режим диалога входит в тарифы «Попробовать все», Pro и Max. На тарифе Start и на разовых пакетах кредитов его нет. Одноголосая озвучка — 3 кредита за 1000 знаков — доступна всем, у кого есть кредиты, в том числе приветственные.
• Самый дешёвый вход — тариф «Попробовать все»: 99 ₽ на сутки и 50 кредитов, неизрасходованные сгорают вместе с доступом. Он доступен в первые 48 часов после регистрации и через сутки переходит в Pro за 1 490 ₽ в месяц, если не отключить автопродление в личном кабинете. 50 кредитов хватит на два десятка таких сцен, как наш ролик.
• Скачать MP3 можно на любом из этих тарифов. Готовые диалоги не публикуются в общем каталоге — они видны только вам.
• Если озвучка не удалась, кредиты возвращаются автоматически.

Где пригодится многоголосая озвучка

• Реклама. Сценка «покупатель — продавец» и финальная фраза диктором — для радио, видео и аудиобаннеров. Двадцать секунд — это 2 кредита.
• Сказки и аудиоспектакли. Рассказчик и герои разными голосами — так дети не теряют нить. Для длинного текста — гайд про аудиокниги нейросетью.
• Видео и скетчи. Диалоги для роликов, обучающих видео и инструкций; как наложить готовый звук на видео, мы разбирали в статье про озвучку видео нейросетью.
• Обучение. Диалоги для уроков, тренажёры «вопрос — ответ», ролевые сценки для тренингов продаж.
• Подкасты. Короткие перебивки и вступления с двумя ведущими. Музыку к ним подберёт гайд про музыку для подкаста.
• Игры. Реплики персонажей и NPC — каждому свой тембр из категории «Игры».

Что показал наш тест

Обе сцены из статьи мы озвучили той же моделью, что работает в студии: каждую реплику отдельно, с теми же параметрами, и склеили с паузой 0,4 секунды — так, как это делает режим диалога. Потом каждую реплику распознали и сверили с текстом.

• Текст прочитан полностью. Все 11 реплик обеих сцен прозвучали без пропусков и замен слов.
• Быстро. Одна реплика озвучивается за 2–3 секунды, вся сцена — за 12–14 секунд.
• Теги работают. Смех и вздох прозвучали звуками, а не словами; пауза <#0.8#> дала около секунды тишины перед репликой.
• Темп зависит от голоса. Реклама на 219 знаков звучит 22 секунды, сказка на 257 знаков — 33: рассказчица и Лиска читают неторопливо. Для хронометража закладывайте 7–10 знаков на секунду речи: 30-секундный ролик — это 210–300 знаков.

Частые ошибки

1. 1Роль вместо имени голоса в метке. «Продавец:» сервис не узнает — пишите имя голоса из слота: «Макс:».
2. 2Похожие голоса. Два близких тембра сливаются. Разводите персонажей по полу, возрасту и манере.
3. 3Вступление без метки. Текст до первой метки не озвучивается. Если нужен рассказчик, сделайте его отдельным персонажем.
4. 4Забыли добавить второго персонажа. С одним голосом студия делает обычную озвучку и читает весь текст подряд — вместе с именами из меток. Сначала «Добавить персонажа», потом реплики.
5. 5Омографы. «За́мок» и «замо́к», «а́тлас» и «атла́с» модель может прочитать не так, как вы задумали. Перестройте фразу или замените слово.
6. 6Ждать разных эмоций у персонажей. Эмоция задаётся одна на весь диалог. Если одному персонажу нужна грусть, а другому радость, оставьте «Авто» и передайте настроение словами и тегами вроде (sighs).
7. 7Длинные монологи. Реплика до 2000 знаков допустима, но слушается тяжело. Дробите её на короткие фразы.

FAQ

Как создан материал

Статью подготовила команда Music Labs с использованием ИИ-инструментов. Возможности и ограничения режима диалога сверены с работающей версией студии озвучки. Примеры озвучены моделью MiniMax Speech 2.8 Turbo с теми же параметрами, что в студии, и склеены с паузой 0,4 секунды, как в режиме диалога; каждая реплика распознана и сверена с текстом, паузы замерены. Цены сверены с действующими тарифами сервиса. Опубликовано: 6 октября 2026.