Почему мы не склеиваем дубли ИИ-озвучки и что склейки делали с интонацией

Наши рилсы с аватаром говорят ИИ-голосом из HeyGen, а монтирует их ИИ-агент (Claude). Агент измеряет звук, но не слышит его. 11 октября 2026 года этот разрыв стоил нам партии: три рилса, голоса которых проходили все числовые проверки, основатель забраковал с первого прослушивания. Ниже — из чего были собраны склеенные голоса, какое правило их заменило и сколько оно стоит в дублях и кредитах.

Ситуация

Голос каждого рилса — синтез речи HeyGen клонированным голосом основателя: русский на движке starfish со скоростью 1,25, английский на движке orca со скоростью 1,2 (через два дня английский клон заменили, потому что он звучал металлом: тот кейс). Первую партию из 14 рилсов основатель принял в ночь с 10 на 11 октября. Для следующей агент собирал каждый голос так, чтобы он прошёл наши проверки звука, и 11 октября основатель посмотрел три готовых русских рилса.

Что он услышал: странную паузу перед словом в начале, скачки интонации между кусками, «зажёванную» середину и название «Арена», прочитанное как «Арэна» при первом упоминании и нормально — при последнем. Его правило: «нам нельзя склеивать ролики с разных дублей… он должен сгенерить в нормальном ритме. А ты дальше уже должен как монтажёр всё это нарезать и монтировать». И ещё: «Самое главное это звук, это интонация, звучание, логика».

Из чего были собраны склеенные голоса

Каждый забракованный голос был составным:

• предложения из двух-трёх разных вызовов озвучки;
• перезаписанные заплатки на отдельные строки;
• ускорение и замедление на 14–15 % растяжкой по времени;
• переписанная высота тона на окончаниях слов;
• отдельная громкость на каждое предложение.

Каждая правка делалась ради цифры: темп фразы в пределах ±25 %, разница громкости между фразами в пределах ±3 дБ, утверждения с падающей концовкой. Голоса проходили. Но ни одно из этих правил не измеряет, звучит ли чтение естественно, а агент, который не слышит, отправлял то, что прошло. Все десять постов этой партии в тот же день сняли из очереди публикаций.

Правило теперь, по шагам

1. Один вызов на весь сценарий. Голос рилса — один вызов озвучки со всем текстом, включая строку с кодовым словом для Instagram. Версия для YouTube — тот же дубль, обрезанный после последней фразы основной части; отдельно записанной концовки нет.
2. Сначала оценка. ElevenLabs Scribe расшифровывает дубль с таймингом слов. Наш скрипт сверяет слова со сценарием и ищет запинки, тянущиеся звуки от 0,15 с, утверждения с поднятой концовкой и слишком длинные названия: русское заимствование дольше 0,26 с на слог значит, что его прочитали по буквам. Последняя строка и последняя фраза основной части должны падать на двух последних словах.
3. После дубля — только резать. Паузы подрезаются по одному правилу на весь дубль, посторонний неречевой звук внутри паузы можно убрать, цепочка сведения идёт по всему файлу. Внутри слов — ничего.
4. Никогда — слово или фразу из другого дубля, изменение темпа, изменение высоты тона, отдельную громкость на фразу.
5. Дубль с ошибкой переписывается целиком. Неверное или проглоченное слово, слово-паразит, тянущийся звук, запинка или утверждение с подъёмом — дубль в корзину.
6. Ослабить цифры, которые описывали человека, а не ошибку. Внутри одного чтения темп фраз может гулять на ±35 %, громкость на ±5 дБ: это акценты говорящего.
7. Писать под голос. Одно предложение на абзац. Русское слово в роли названия пишется со строчной: «арена» читается мягко, «Арена» прочиталась «Арэна». Ни одно предложение не начинается с одинокой гласной: «А если…» в трети дублей превращалось в «Ааа если». Важное заимствование получает своё короткое предложение.

Результаты

Три рилса переделали 11 октября:

Каждый голос ушёл в HeyGen нетронутым, кроме пауз, и каждое видео легло на него со сдвигом 0,00 мс: 25,04, 25,84 и 27,12 секунды звука примерно за 31, 32 и 34 кредита. Вердикт основателя в тот же день — «идеально, просто идеально». Метод стал нашим постоянным пайплайном, а двенадцать финалов этой партии встали в очередь на 12–14 октября.

Второй рилс, «Какая нейросеть умнее?», вышел 13 октября. К 22 октября у него было 47 620 просмотров в YouTube Shorts — 23 % просмотров канала — и 2 301 как у пробного рилса в Instagram.

Что не сработало и чего это стоило

• Дубли дешёвые, видео — нет. Дубль озвучки в HeyGen 11 октября стоил около 2 кредитов, видео — около 1,2 кредита за секунду. Английский дубль, где последняя фраза основной части поднималась на 3,5 полутона, заметили только после генерации видео: минус 34 кредита. Теперь концовки проверяются до оплаты любого видео.
• Русскому нужно много дублей. Третьему рилсу понадобилось одиннадцать. 14 октября для русских сценариев из 12 предложений обе наши проверки проходил примерно один дубль из десяти–пятнадцати, а одному рилсу понадобилось 59. Партия из шести рилсов заняла 169 дублей и 312 кредитов.
• Английский повторяется. Английский голос HeyGen на тот же текст возвращал тот же звук, и ни переносы абзацев, ни теги пауз чтение не меняли; меняла его небольшая правка слова или запятой. Русский голос давал новое чтение при каждом вызове с принудительной перегенерацией.
• Отдельно записанные концовки (9 октября). Концовка, записанная на меньшей скорости, давала скачок темпа, выходила на 2,3 дБ громче, а тег паузы после последней строки поднимал призыв написать в комментариях на 3,8 полутона.
• Иногда проблема в тексте. «…за ежедневный вход.» — утверждение с ударным односложным словом в конце — уходило вверх в 4 дублях из 10. Такое предложение переписывают, а не перезаписывают до бесконечности.

Как сделать самому

1. Пишите сценарий по одному предложению на абзац, с точкой после каждого утверждения и без предложений, начинающихся с одинокой гласной.
2. Озвучьте весь сценарий вместе с концовкой одним вызовом синтеза речи.
3. Расшифруйте его с таймингом слов и сверьте со сценарием слово в слово.
4. Измерьте высоту тона на двух последних словах каждой фразы: утверждение с подъёмом — бракованный дубль.
5. Подрежьте паузы по одному правилу на весь дубль и больше ничего не трогайте.
6. Если дубль не прошёл, перезапишите весь сценарий; закладывайте 2–6 дублей, на русском больше.
7. Только после этого делайте видео с аватаром на этом звуке и судите готовое видео, а не черновик голоса.
8. Поставьте обе версии в очередь. Мы ставим свои в Mellow Hub, а проверка видео скажет, укладывается ли файл в лимиты каждой сети.

Цифры коротко