Нейросеть OmniVoice озвучила 5 минут русского текста за 44 секунды, но путает ударения
Бесплатная модель OmniVoice читает текст вслух и может заменить диктора в голосовом боте или обучающем ролике. Инженер Raft озвучил отрывок рассказа «Господин из Сан-Франциско»: 5 минут аудио получились за 44 секунды, в семь раз быстрее самой записи. Но местами обрываются окончания фраз, глотаются слова и сбиваются ударения. Для черновиков хватит, для финального ролика нужна вычитка.
AI-обработка оригинала Raft; редакция Hamidun News
Представьте, что вам нужно озвучить сотню фраз для голосового бота или обучающего курса, а через неделю тексты поменялись. С живым диктором это снова студия, запись и монтаж: дорого и медленно. Модели синтеза речи (TTS, от англ. text-to-speech, то есть программы, которые читают текст вслух) долго звучали как робот, но теперь стали заметно естественнее. DS-инженер Raft Данил Музафаров проверил на русском языке свежую бесплатную модель OmniVoice. Главный результат: пять минут аудио по отрывку из рассказа «Господин из Сан-Франциско» модель сгенерировала за 44 секунды, то есть примерно в семь раз быстрее, чем длится сама запись. Но в озвучке остались артефакты — звуковые сбои вроде обрыва конца фразы, проглоченных слов и неверных ударений.
Что умеет OmniVoice
Авторы заявляют поддержку более 600 языков и три режима работы. Первый — клонирование голоса: модели дают короткую запись голоса и её расшифровку, после чего она читает любой текст этим голосом. Второй — создание голоса по описанию. Здесь есть оговорка: свободная фраза вроде «низкий голос профессионального диктора» не сработает. Поле instruct принимает ограниченный набор параметров, например «male, low pitch, russian accent», поэтому описание придётся собирать из готовых тегов. Третий режим — автоматический выбор голоса: передаёте только текст, остальное модель решает сама.
Отдельно проверили невербальные метки. В текст можно вставлять теги [laughter], [sigh], [surprise-oh], [question-ah] и [dissatisfaction-hnn], и речь получает смех, вздох, удивление или недовольство. Автор прогнал деловой диалог про конверсию воронки и квартальный отчёт, а затем посмотрел, возвращается ли модель к нейтральному тону после эмоциональных вставок. Для голосовых ассистентов и обучения это полезно: монотонность заметнее всего на длинных записях.
Длинная озвучка: быстро, но с огрехами
Длинные тексты — классическая слабая точка синтеза речи: к середине записи могут появиться артефакты и поплыть тембр. Для проверки взяли отрывок рассказа «Господин из Сан-Франциско». Текст разбивался на куски по 15 секунд (параметры audio_chunk_duration и audio_chunk_threshold). Итог: около пяти минут аудио за 44 секунды генерации. Для пакетной озвучки скорость вряд ли станет узким местом. Правда, на каком железе шёл расчёт, в материале не указано, так что на вашей видеокарте цифра может отличаться.
Качество автор оценил как хорошее, но с заметными дефектами: обрываются окончания предложений, проглатываются слова, встречаются неверные ударения. Он предполагает, что подбор гиперпараметров (настроек генерации) может это улучшить. Пока это гипотеза, а не проверенный результат.
Как автор проверял бизнес-сценарии
Красивые примеры из репозитория мало говорят о реальных задачах: в настоящих текстах полно дат, сумм, ФИО, сокращений, английских терминов и названий продуктов. Поэтому Данил собрал собственный бенчмарк, по 10 предложений на каждый тип. Проверялись ФИО, даты и время, числа, проценты и денежные суммы, аббревиатуры, омографы (слова с разным ударением, например «замок») и английские слова внутри русского текста. Оценка шла по шкале от 0 до 5: ноль означает неразборчивую или отсутствующую озвучку, пять — чистое произнесение без ошибок в ударениях и интонации.
В доступной части материала итоговых оценок по этим разделам нет, поэтому судить об этих цифрах рано. К тому же оценивал один человек, на слух, и выборка небольшая. Это хороший ориентир, но не строгое сравнение моделей.
Что делать на практике
Если вы думаете о замене диктора, разумно разделить задачи. Для прототипов голосового бота, внутренних обучающих материалов и быстрых черновиков озвучки OmniVoice выглядит рабочим вариантом: скорость высокая, клонирование голоса и эмоциональные теги есть из коробки, а открытая лицензия даёт контроль над инфраструктурой. Для финальной рекламы и клиентских IVR-сценариев (автоматических голосовых меню на телефонной линии) пока нужна вычитка: ударения и обрывы фраз клиент услышит сразу.
Главный совет из этого теста: не верьте демо, а соберите собственный набор из 50–100 реальных фраз вашей компании с именами клиентов, суммами, датами, сокращениями и названиями продуктов. Прогоните его через модель, послушайте и оцените по простой шкале от 0 до 5. Так вы за вечер поймёте, хватает ли качества и сколько ручной правки придётся заложить в процесс.
- 12 окт. 2026 г.Диктовка без паразитов: Whisper на компьютере и Claude для чистки
- 17 мая 2026 г.Русский язык в ChatGPT стоит в 2 раза дороже: виновата токенизация
- 15 июн. 2026 г.Вайбкодинг: Gemini создал приложение за 4 минуты без кода
- 2 мая 2026 г.Нейросеть для текста deepvk vs OpenAI: бенчмарк на судебных актах
Вопросы и ответы по материалу
Что известно по теме: что умеет OmniVoice?
Авторы заявляют поддержку более 600 языков и три режима работы. Первый — клонирование голоса: модели дают короткую запись голоса и её расшифровку, после чего она читает любой текст этим голосом. Второй — создание голоса по описанию. Здесь есть оговорка: свободная фраза вроде «низкий голос профессионального диктора» не сработает. Поле instruct принимает ограниченный набор параметров, например «male, low pitch, russian accent», поэтому описание придётся собирать из готовых тегов.
Что известно по теме: длинная озвучка: быстро, но с огрехами?
Длинные тексты — классическая слабая точка синтеза речи: к середине записи могут появиться артефакты и поплыть тембр. Для проверки взяли отрывок рассказа «Господин из Сан-Франциско». Текст разбивался на куски по 15 секунд (параметры audio_chunk_duration и audio_chunk_threshold). Итог: около пяти минут аудио за 44 секунды генерации. Для пакетной озвучки скорость вряд ли станет узким местом. Правда, на каком железе шёл расчёт, в материале не указано, так что на вашей видеокарте цифра может отличаться.
Что известно по теме: как автор проверял бизнес-сценарии?
Красивые примеры из репозитория мало говорят о реальных задачах: в настоящих текстах полно дат, сумм, ФИО, сокращений, английских терминов и названий продуктов. Поэтому Данил собрал собственный бенчмарк, по 10 предложений на каждый тип. Проверялись ФИО, даты и время, числа, проценты и денежные суммы, аббревиатуры, омографы (слова с разным ударением, например «замок») и английские слова внутри русского текста.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.