Как выбрать голос для AI-персонажа, который не выбьет из сцены

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.