Можно написать идеальную карточку и потерять сцену в момент, когда персонаж заговорит вслух. TTS не прощает того, что прощает текст. Чуть слишком жизнерадостное «я скучал» — и реплику невозможно воспринять всерьёз. Высота на полтон выше — персонаж звучит на двадцать лет моложе.
Reverie даёт много контроля над тем, как звучит персонаж. Это гайд о том, как им пользоваться: какой движок, какой голос, какие ручки реально стоит крутить.
Два движка: Edge (бесплатный) и MiniMax (платный)
В Reverie два TTS-провайдера:
Microsoft Edge TTS (бесплатный, по умолчанию). Рабочая лошадка. 17+ языков, по несколько голосов на язык, гендерные дефолты, быстрая генерация. Минус: устойчивый чтец. Реплики проговаривает чётко, но не играет их. Подходит большинству сцен; не вытягивает высокоэмоциональные.
MiniMax (платный). Выше точность, несколько голосов на язык, и главное — поддержка эмоций. Синтез умеет нести эмоциональный регистр: нежность, гнев, нерешительность — то, чего Edge не умеет. Дороже за генерацию.
Правильная ментальная модель — не «бесплатное против платного», а Edge для повседневности, MiniMax для моментов, которые должны запомниться.
Длинная арка, где персонаж в основном перешучивается, — Edge тянет. Момент, когда персонаж наконец говорит то, что давно копил — переключайтесь. Аудиоверсия «платного апгрейда модели на ключевой реплике»: дешёвая страховка для строк, которые имеют значение.
Как выбирается голос
Reverie выбирает голос для персонажа по такой иерархии:
- Пользовательские настройки (ваш оверрайд для этого персонажа), если установлены.
- Дефолт персонажа — то, что выбрал автор.
- Запасной по локали + полу — дефолтный голос Edge для языка и пола.
Практические следствия:
- Если персонаж «звучит не так», ваш оверрайд перебьёт выбор автора. Не нужно ждать обновления карточки.
- Если ничего не настроено, вы слышите запасной. Почти наверняка не лучший голос, просто самый безопасный.
- Запасной нужен, чтобы у персонажа никогда не было «нет голоса». Это пол, не цель.
Выбор голоса под персонажа
Самая частая ошибка — выбор по демографическому совпадению (30-летняя женщина — голос 30-летней). Демографический выбор даёт обычный голос. Совпадение по характеру — запоминающийся.
30-летний военный медик и 30-летняя инструктор по йоге звучат совершенно по-разному. Тот же возраст, тот же пол, разные голоса. На что смотреть:
- Регистр по умолчанию. Нейтральный тон голоса — тёплый или холодный? Яркий или приглушённый? Совмещайте с базовым состоянием персонажа, не драматическим.
- Темп. Одни голоса даже на дефолтной скорости читают быстро, другие медленнее. Дышащий голос на стоическом персонаже — плохо, как бы «объективно хорош» он ни был.
- Подразумеваемый возраст. У голосов есть «слуховой возраст», который может не совпадать с заявленным. 19-летний персонаж с 35-летним голосом — неуютно. Подвиньте высоту или возьмите другой голос.
Тест: 15-секундный отрывок скучной реплики («Ага. Буду. Часов в восемь.») в кандидате-голосе. Если скучная звучит плохо — драматическую не спасти.
Ручки, которые стоит крутить
Reverie выдаёт небольшой набор параметров. Большинство либо игнорирует, либо перекручивает. Что на самом деле делает каждая:
Скорость (Speed)
Дефолт 1.0x. Большинство голосов выигрывает от мелкой подстройки, редко — от большой.
- 0.9–0.95x — задумчивые, пожилые, нерешительные.
- 1.0–1.05x — большинство.
- 1.1–1.15x — нервные, быстрые в речи, комик-релиф.
- Ниже 0.85x или выше 1.2x — красный флаг: вы воюете с голосом, выбирайте другой.
Высота (Pitch)
Скупо. Мелкий сдвиг (на проценты) убедительно состарит/омолодит голос. Большой сдвиг сделает звук «обработанным» — искусственным, даже если TTS хороший. Хочется давить высоту сильно — берите другой голос.
Эмоция (только MiniMax)
Самая недооценённая функция. Маркировка эмоции даёт синтезу окраску регистра — разница между «я скучал», сказанным тепло и пустотой. Если вы на MiniMax и не трогаете эмоции — платите за движок и не пользуетесь его главным преимуществом.
Использовать: эмоциональные биты, сцены, где текст и тон должны расходиться, моменты, где вы ожидали бы от живого озвучивателя нюанс.
Не использовать: на каждой реплике. Эмоция везде — это сериал. По умолчанию пусть будет нейтрально; эмоция бьёт сильнее, когда она не константа.
Голос и язык
Reverie поддерживает голоса на 17 языках, у Edge — гендерные дефолты. Несколько практических замечаний:
- Не язык, а локаль. «Испанский» — не один акцент. Если ваш персонаж аргентинец, а голос — кастильский, кто различает, моментально вылетит. Локаль — внимательно.
- Многоязычные персонажи. Если персонаж переключает язык в разговоре, голос переключает движки/конкретные голоса по языку рендеримого текста. Чаще всего работает; для специфических голосов кросс-язычной пары может не быть, и звучание резко скакнёт.
- Не-английский родной у персонажа. Стандартный американский голос для такого персонажа — почти всегда выпадение. Голоса Edge с акцентами часто лучше, чем дефолтный американский.
Частые ошибки с голосом
- Выбор «лучшего» вместо «правильного». Самая естественная просодия не равна правильному голосу, если он звучит на 25, а персонажу 50.
- Скорость как «качество». Скорость — это характер. Медленнее ≠ лучше; это другой персонаж.
- Эмоция на каждой реплике. Сдержанность читается как класс, постоянная эмоция — как драмкружок.
- Пропуск теста на скучной реплике. Голос большую часть времени произносит «ладно», «угу», «во сколько?». Эти звучат не так — постановочные не спасут.
- Забываете, что можно перебить. Автор сделал выбор. Вам можно сделать другой. Оверрайд в одно нажатие.
Сочетания с другими функциями Reverie
- Написание персонажа — правила голоса в карточке прямо транслируются в выбор TTS. «Обрывает себя, становясь слишком искренним» подсказывает голос с естественной вариативностью пауз, а не ровного чтеца.
- Темп — голос + замедленная скорость усиливают медленную сцену; голос + дефолтная скорость могут незаметно ускорять.
- MiniMax для ключевых сцен — та же логика, что апгрейд модели на ключевую реплику. Платный движок — для лезвия, не для болтовни.
Вывод
Хороший голос — тот, который перестаёшь замечать. Несёт реплику и уступает.
Выбирайте по характеру, не по демографии. Тестируйте на скучных репликах. Скорость и эмоция — лёгкими касаниями. Для запоминающихся сцен — апгрейд движка.
Голос — не отдельно от персонажа. Для слушающего голос и есть персонаж.