Рилсы нашего основателя с ИИ-аватаром выходят на русском и английском его клонированным голосом. 13 октября 2026 года он посмотрел английскую версию готового рилса и остановился на голосе: «Какой-то роботизированный, какой-то растянутый голос, железом отдаёт. Этого быть не должно». Русские рилсы той же партии он назвал очень классными. Ниже — что мы намерили, какие исправления не сработали и какое он выбрал.
Ситуация
Рилсы сделаны ИИ. HeyGen оживляет цифрового двойника основателя, и до 13 октября голосом был синтез речи HeyGen его клонированным голосом. В HeyGen жили два отдельных клона: русский, который читал движок starfish, и английский, созданный 4 августа 2026 года и читавшийся движком orca. Речь шла об английском ролике примерно на 29 секунд про коды для ChatGPT, видео к нему уже было сгенерировано.
В тот вечер основатель попросил две вещи: голос, который цепляет с первых секунд, и ответ, почему его клон звучит «как будто звенит и что-то механическое». Пополнять HeyGen ради нового видео он не хотел, поэтому первые исправления должны были работать поверх уже готового.
Что мы намерили
Рилсы делает ИИ-агент (Claude), а он не слышит, поэтому сравнивал клон со студийными голосами по цифрам. Разницу показали три замера.
- Диапазон тона. У английского клона тон ходил примерно на 2,5 полутона, у студийных голосов — на 4–6.
- Энергия выше 4 кГц. У клона там было 0,2 % энергии, у студийных голосов — 2–4 %.
- Энергия ниже 300 Гц. Клон приходил из HeyGen с 72 % энергии ниже 300 Гц и почти пустой полосой 2–8 кГц: тёмный голос.
Потом мы исключили собственную обработку. Наша нарезка и перекодирование спектр не меняли. Собственное превью английского клона в HeyGen давало 70 % ниже 300 Гц и диапазон 2,8 полутона, а тот же клон на движке starfish был ещё темнее, 80 %. Каждый английский дубль клона мерился одинаково, так что новые дубли помочь не могли.
На причину указало одно сравнение. Русский клон, читающий английский текст на starfish, сохранял русский баланс — 39 % ниже 300 Гц. Проблема была в самом английском клоне, а не в движке и не в языке. Акцент этой версии мы не оценивали.
Что мы пробовали
- Библиотечные голоса как образцы. Liam, Brian, Chris и Will прочитали сценарий; по замерам самым живым был Liam.
- Исправления поверх готового видео, первый круг. Весь дубль перевели через ElevenLabs speech-to-speech в голоса Liam, Tyler и Adam, а сам клон подогнали по тембру эквалайзером по третям октавы. Все четыре варианта собрали готовыми рилсами. Mark после конвертации не прошёл нашу проверку звука — посторонний звук на 5,9 с и подъём на последней строке — и выбыл.
- Второй круг, ближе к его голосу. Основатель попросил голоса, больше похожие на свой: приятный, спокойный, где-то мягкий. Голоса подбирали по высоте тона рядом с его русским клоном, около 130–140 Гц: его собственный клон в ElevenLabs, Don, Jerry, Ryan Kurk и Aidan. Justin выбыл: последняя строка уходила вверх.
- Выбор. Основатель посмотрел восемь готовых версий одного рилса и выбрал первую из второго круга, свой клон голоса в ElevenLabs: «прям идеальный вариант… именно таким образом давай мы и будем делать видео на английском языке».
Результаты
С 13 октября 2026 года каждый английский рилс с аватаром проходит ещё один шаг: дубль из HeyGen переводится через ElevenLabs speech-to-speech в клон основателя в ElevenLabs, проверяется и только потом идёт в видео. Русские рилсы остаются на русском клоне в HeyGen.
- Забракованный английский рилс встал в очередь на 15 октября уже с новым голосом; обе его версии прошли нашу проверку звука и контроль перед публикацией.
- В тот же вечер три английских рилса, уже стоявших в очереди, — шесть файлов для Instagram и YouTube — переозвучили, проверили, отменили и создали заново на то же время.
- Шаг стоит около 350–400 кредитов ElevenLabs на рилс и ни одного кредита HeyGen, если видео уже есть.
Чистого сравнения просмотров «до и после» у нас нет: в английских профилях рилсы с аватаром шли вперемешку с анимационными, а голос сменился посреди периода.
Что не сработало
- Осветлить клон. Наша подгонка тембра добавила около 8 дБ в полосе 3–8 кГц. Ещё 10 октября основатель назвал подъём верхов «звоном». Тёмный клон от лишних верхов не оживает, а звенит.
- Больше дублей. Каждый английский дубль клона мерился одинаково, а новый дубль означает новое платное видео (почему мы не склеиваем дубли).
- Конвертация как лекарство от интонации. Speech-to-speech меняет тембр и сохраняет чтение: у переозвученных голосов тон по-прежнему ходил на 2,4–3,3 полутона против примерно 6 у студийного голоса, который сам читает текст. ElevenLabs и сам описывает свой voice changer как сохраняющий эмоцию и подачу оригинала — так и вышло. Интонацию меняет только новое чтение с новым видео (как устроена конвертация).
- Не та модель. Английская модель speech-to-speech в ElevenLabs добавила посторонний звук его собственному клону; мультиязычная — нет.
- Спутать звон с шипением. Шипение, которое основатель услышал 10 октября, давали музыкальная подложка и наша обработка, а не клон. Там помогла мягкая цепочка на чистом голосе: срез ниже 70 Гц, −1,5 дБ на 300 Гц, лёгкий де-эссер, компрессия 2,5:1 и −14 LUFS.
Как сделать самому
- Выгрузите несколько фраз своего клона и двух-трёх голосов, которые вам нравятся, на похожем тексте.
- Измерьте диапазон тона каждой фразы в полутонах и долю энергии ниже 300 Гц и выше 4 кГц.
- Измерьте клон и в превью самого сервиса, чтобы понять, не виноват ли ваш монтаж.
- Если клон тёмный и узкий в каждом дубле, меняйте голос, а не эквалайзер: попробуйте speech-to-speech в голос получше, в том числе в свой клон у другого сервиса.
- Соберите каждого кандидата готовым видео и выбирайте, глядя на ролик, а не по голым образцам голоса.
- Проверяйте каждую конвертацию заново: она может добавить посторонний звук или поднять концовку.
- Публикуйте результат; мы ставим свои рилсы в очередь в Mellow Hub, по две версии на рилс.
Цифры коротко
| Замер | Английский клон | Студийные голоса |
|---|---|---|
| Диапазон тона | около 2,5 полутона | 4–6 полутонов |
| Энергия выше 4 кГц | 0,2 % | 2–4 % |
| Энергия ниже 300 Гц | 72 % (70 % в превью HeyGen) | не мерили |
| Русский клон читает английский, ниже 300 Гц | 39 % | не мерили |
| Диапазон тона после speech-to-speech | 2,4–3,3 полутона | около 6, когда голос читает сам |
