Блогер с Claude Code озвучил GTA V по-русски за $60: 250 тысяч реплик

Перевести на русский целую игру на 260 тысяч звуковых файлов раньше было делом студии с бюджетом. Блогер и основатель ArtGeneration.me Илья, по его словам, не разработчик, а продакт с 20-летним стажем, сделал это в одиночку за десять дней. Код писал Claude Code, а он ставил задачи и проверял результат. Получилось 250 364 русские реплики, почти 219 часов речи с учётом переделок, два варианта на выбор (закадр поверх приглушённого оригинала и полный дубляж) и около $60 за синтез. Сам автор честно оговаривается: с настоящими актёрами это не соревнуется.

Как посчитать смету, когда данных нет

Первая проблема: никто не знал, сколько в GTA V звука. Есть доклад Rockstar с GDC 2014 про почти 160 тысяч реплик и фанатская карта на 156 тысяч клипов, но часов нет нигде, а синтез оплачивается по длине звука. Claude Code написал на C# программу поверх открытого CodeWalker. Она обходит все архивы и читает из заголовка каждого потока число отсчётов и частоту, то есть длину считается без распознавания. Нашлось больше 260 тысяч потоков.

Дальше нужно было понять, кто что говорит. Субтитры в игре лежат под хэшами, а не под именами. Автор использовал свойство хэша joaat: финальное перемешивание можно открутить назад, дописать букву A и посчитать хэш аудиофайла той же строки. Так связалось 75% сюжетных потоков. Говорящего выдаёт анимация губ внутри потока: в её пути записан персонаж. В катсценах такого нет, там помогли вики и модель WeSpeaker.

Конвейер: облако только для синтеза

Правило проекта: в облаке только синтез и агенты Claude, всё остальное локально на RTX 4090. Для синтеза выбран Gemini 3.8 Flash-Lite TTS в пакетном режиме, около 27 центов за час готовой речи. Модели с клонированием голоса автор отверг: голос похож, но актёрская игра невпопад, с лишними паузами. Тесты стилей («в ужасе, голос дрожит») на 120 клипах улучшили лишь каждую пятую реплику, а мужской голос уходил в фальцет, поэтому подачу оставили пустой.

Где субтитров нет (прохожие, радио, рация и около 11 тысяч реплик сюжета), текст распознавал Whisper large-v3. Он выдумывает слова на тишине, пишет чужие титры на стонах и записывает английскую речь корейских бандитов хангылем. Поэтому сначала скрипт-эвристика помечает подозрительные фразы, а затем второе мнение даёт Parakeet TDT. Если он услышал хотя бы треть тех же слов, это речь, а если ничего, это выдумка.

Пол голоса проверяла ECAPA-TDNN: 77 верных из 80 на известных говорящих. Поле пола в каталоге Google, по словам автора, врёт, поэтому каждый голос пробуют на трёх репликах и берут, только если две модели согласны.

Ловушки и деньги

Брак синтеза ловит детектор без нейросетей. Он сравнивает длину звука с текстом, ищет повторы по карте похожести звука на самого себя, перегруз и свист. Весь сюжет он проходит за 4 секунды. Подозрительные дубли распознаются обратно обеими моделями и уходят на пересинтез.

Были и дорогие грабли. Из-за повторов SDK при сбое связи Google считает каждый повтор новым пакетом, и при плохом VPN сюжет можно оплатить дважды, поэтому автоповторы выключили. Фильтр Google отказывался озвучивать реплики со словом «малышка» рядом с сексом, считая это отсылкой к несовершеннолетним, хотя в GTA так называют машину. Одиночный агент-переводчик, читающий соседние реплики, справился лучше параллельных помощников.

Установка тоже устроена аккуратно. Правка архивов напрямую приводит к ошибке Corrupt game data, а раздавать 10 ГБ чужих файлов автор не хотел. Он использовал папку mods с RageOpenV и Ultimate ASI Loader, а установщик собирает архивы на компьютере игрока из его же файлов. Оригиналы не затрагиваются, мод удаляется одной папкой.

Экономика для практика проста. Перевод всей игры вышел дешевле её копии, но с 1 января 2027 года Google вдвое поднимает тариф, примерно до 54 центов за час. Из этого следует два вывода. Дешёвый пакетный синтез и агент делают массовую локализацию доступной одному человеку. Главная работа при этом уходит в проверку: пол голоса, галлюцинации распознавания и дубли-повторы нужно ловить автоматически, иначе их придётся ловить на слух.

Ограничения тоже понятны. Это любительский мод для Enhanced-версии, качество синтеза не заменяет актёров, а текст, переведённый агентом, всё равно приходится вычитывать: «I'm cold» там вполне может оказаться «я пас».