Как клонировать свой голос бесплатно в Voicebox и озвучить текст на русском

В Voicebox можно создать копию своего голоса по короткой записи, а затем озвучивать ею новый текст на русском. Программа работает на Windows и Mac. Для начала нужно установить её, скачать модель Qwen3-TTS и добавить образец речи. При локальной генерации платить за минуты или символы не нужно.

Потестировал Voicebox. Последние клипы в моей группе ВКонтакте озвучены с помощью этой программы. Длинный текст рекомендую делить на фрагменты и потом соединять при монтаже: так проще переделать неудачную фразу и подогнать паузы под видео.

Как звучит клонированный голос: примеры

В этих примерах использован профиль «Мой голос» и модель Qwen3-TTS 1.7B. Сначала послушайте образец для клонирования, затем результат озвучки нового текста.

Образец голоса, 25,8 секунды. Эта запись хранится в профиле и служит ориентиром для нейросети.

Запись начинается словами: «Сегодня я решил немного отвлечься от привычных дел и попробовать что-нибудь новое».

Профиль «Мой голос» с образцом и его расшифровкой. Он использован для озвучки ролика ниже.

Результат генерации, 4,47 секунды. В Voicebox передан текст: «Укажите цель и нужный формат ответа. Добавьте ограничения».

Это исходный WAV без дополнительной обработки. Тексты двух записей различаются: по ним можно сравнить тембр и манеру речи. Произношение во второй записи проверяйте по приведённой фразе.

Готовый ролик, 54 секунды. Та же озвучка в составе видео с титрами.

При монтаже отдельные фразы соединены, длинные паузы сокращены, громкость выровнена. Скорость и высота голоса сохранены.

Что бесплатно и какие есть ограничения

Voicebox бесплатный, с открытым исходным кодом. В локальном режиме вычисления выполняет ваш компьютер, поэтому скорость зависит от его мощности. Голосовой профиль можно использовать для разных текстов без оплаты каждой попытки. Официальный репозиторий Voicebox.

Клон не всегда точно передаёт вашу речь. Тембр может быть узнаваемым, но нейросеть способна ошибиться в ударении, поставить странную паузу или произнести эмоциональную фразу слишком ровно. Прежде чем озвучивать большой сценарий, попробуйте один абзац. Всю готовую запись нужно прослушивать.

Какой компьютер нужен

В документации по установке указаны Windows 10 и новее или macOS 11 и новее, современный многоядерный процессор и минимум 8 ГБ оперативной памяти. Разработчики рекомендуют от 16 ГБ. Это общие требования программы: скорость и расход памяти зависят от модели.

На диске лучше освободить от 10 ГБ под программу, модели и записи. Для загрузки Qwen3-TTS 1.7B документация приводит ориентир около 3,5 ГБ. Это размер модели на диске; при генерации ей также нужна оперативная память.

Генерация на процессоре поддерживается, но обычно идёт медленнее, чем с подходящим графическим ускорителем. Проверьте скорость на двух-трёх предложениях, прежде чем загружать длинный сценарий.

Как установить Voicebox

Скачайте программу с официального сайта или из раздела релизов на GitHub. Сохраните правильную ссылку: у других проектов встречается то же название.

Для Windows доступны установщик MSI и файл setup.exe. Для Mac выбирайте DMG под свой процессор: Apple Silicon для чипов Apple серии M или Intel. Эти варианты есть в релизе v0.5.0, на котором основана инструкция.

Установите и запустите программу. Для загрузки моделей нужен интернет. Первая генерация может занять больше времени из-за скачивания и подготовки модели. Устанавливать все доступные модели сразу не требуется.

Какую модель выбрать для русского языка

Начните с Qwen3-TTS 1.7B: разработчик Voicebox рекомендует её для качества. Если генерация идёт слишком медленно, попробуйте Qwen3-TTS 0.6B. В документации она предложена как более быстрый вариант с возможной потерей качества. Рекомендации по выбору модели.

Обе версии поддерживают русский. Для клонирования по записи используются модели с обозначением Base в полном названии. Qwen CustomVoice предлагает готовые голоса, а Qwen VoiceDesign создаёт голос по текстовому описанию. Для копии своего голоса выбирайте клонирование по аудио. Описание моделей Qwen3-TTS.

Как записать образец голоса

Подготовьте 10–30 секунд чистой речи. В записи должен говорить один человек, без музыки, телевизора и чужих разговоров на фоне. Говорите в привычном темпе, с той подачей, которую хотите услышать в озвучке. Разработчики советуют избегать совсем коротких фрагментов и сильно обработанного звука. Рекомендации по образцу.

Лучше записать несколько связных предложений в тихой комнате. Держите микрофон на постоянном расстоянии, затем прослушайте запись в наушниках. Если слышны гул, сильное эхо или искажения, запишите заново. Подойдут WAV, MP3 или M4A; в документации рекомендован WAV. Подготовка голосового профиля.

Можно прочитать такой текст:

Сегодня я записываю образец своего голоса для озвучки видео. Говорю в обычном темпе, спокойно и без спешки. В следующем ролике нужно объяснить несколько простых действий, поэтому речь должна быть понятной, а паузы помогут отделить одну мысль от другой.

Не старайтесь говорить «как диктор», если в своих роликах вы так не разговариваете. Нейросеть будет ориентироваться на подачу из образца.

Как клонировать голос в Voicebox и сохранить озвучку

На скриншотах показан Voicebox 0.5.0 на Mac. В других версиях расположение элементов может отличаться.

Создайте голосовой профиль

Откройте Voices, нажмите New Voice и выберите Clone from audio.
На вкладке Upload нажмите Choose File и загрузите образец. Для записи в приложении есть вкладка Record. В этой версии форма указывает максимальную длительность образца 30 секунд.
В Reference Text укажите точный текст записи. Если программа распознала его автоматически, исправьте ошибки. Это расшифровка образца, а не сценарий новой озвучки.
В Name задайте имя, например «Мой голос», а в Language выберите Russian. Поля Description и Personality для первой пробы можно оставить пустыми. Нажмите Create Profile.

Создание профиля по аудиозаписи. В Reference Text нужны те же слова, которые звучат в образце.

В сохранённом профиле расшифровка открывается кнопкой Edit transcription. Исправления сохраняются через Save.

Редактирование расшифровки в профиле «Мой голос».

Для автоматического распознавания используется отдельная модель Whisper, которая тоже может потребовать загрузки. Подробнее о записи и расшифровке.

Озвучьте текст и скачайте запись

Откройте Generate, выберите свой профиль и вставьте две-три фразы. Под полем текста укажите Russian, Qwen3-TTS 1.7B и No effects, чтобы начать без дополнительных эффектов. Запустите генерацию кнопкой со значком искр, обозначенной в интерфейсе как Generate speech.

Выбран профиль «Мой голос», русский язык и Qwen3-TTS 1.7B. Справа находится история генераций.

Выберите готовую запись в истории справа и прослушайте её. Сохранение аудио в официальной инструкции первых шагов называется Download; расположение этого действия может зависеть от версии.

Если голос звучит неудачно, проверьте профиль, язык и расшифровку образца. Затем попробуйте более чистую запись, прежде чем перебирать сложные настройки.

Как исправить произношение и озвучить длинный текст

Пишите так, как сказали бы вслух. Сокращайте длинные предложения, расшифровывайте неоднозначные сокращения. Если программа неправильно читает число или обозначение, попробуйте написать его словами: например, «пятнадцать гигабайт» вместо «15 ГБ». Результат каждого такого изменения проверяйте на слух.

Пунктуация помогает обозначить паузы. Неудачную фразу можно переформулировать и сгенерировать заново. При этом команды для других моделей могут не сработать: например, [laugh] в Qwen3-TTS может прозвучать как обычный текст. Пояснение в инструкции Voicebox.

Voicebox умеет автоматически разбивать длинный текст на части и соединять результат. Описание этой функции. Для монтажа удобен и ручной способ: берёте один смысловой фрагмент, получаете удачную озвучку и переходите к следующему. Тогда неудачную реплику можно переделать отдельно.

Перед монтажом проверьте ударения, окончания слов и интонацию в каждой записи. После соединения прослушайте стыки и поправьте паузы.

При ошибке нехватки памяти попробуйте закрыть другие тяжёлые программы и выбрать Qwen3-TTS 0.6B. Если модель не скачивается, проверьте соединение и свободное место на диске. Другие ошибки разобраны в официальном разделе Troubleshooting.

Можно ли работать без интернета

После загрузки необходимых моделей локальная генерация не требует облачного сервиса. По заявлению разработчиков, в этом режиме модели, образцы голоса и записи остаются на устройстве. Официальный репозиторий.

У программы также есть Remote Mode, в котором обработку выполняет отдельный сервер. Для работы на своём компьютере оставьте подключение к удалённому серверу выключенным. Интернет понадобится для скачивания новых моделей и обновлений. Как устроен удалённый режим.

Используйте свой голос или получите разрешение человека, чей голос хотите клонировать. Это предусмотрено правилами проекта. О том, как распознавать голосовые дипфейки и проверять подозрительные сообщения, рассказано в статье «Как безопасно пользоваться нейросетями».