Когда мой подкаст о технологиях начал терять слушателей из-за моего монотонного голоса, я наткнулся на рекламу сервиса синтеза речи с клонированием тембра. Вместо того чтобы нанимать диктора, я решил сам освоить эту технологию и заодно монетизировать навык. Первые эксперименты проводил на бесплатных версиях ElevenLabs и PlayHT, прогоняя через них старые выпуски. Качество было далёким от идеала — роботизированные паузы и странные интонации вызывали у слушателей вопросы. Но один фрагмент с клонированным голосом Джо Рогана получил неожиданно тёплый отклик в комментариях.
Первые заказы и этический барьер
Зарегистрировался на трёх фриланс-биржах с портфолио из пяти аудиофрагментов, включая имитацию известных подкастеров. Первый платный заказ пришёл через неделю — нужно было озвучить 20 минут текста подкаста о криптовалютах «под Марка Кьюбана». Клиент потребовал письменное подтверждение согласия оригинального носителя голоса, которого у меня, конечно, не было. Пришлось переключиться на нейтральные голоса без прямых отсылок к знаменитостям. Следующие три заказа выполнил на легальных основаниях, используя синтезированные голоса без привязки к реальным людям.
Технические подводные камни
Даже современные нейросети путаются в русскоязычных текстах с цифрами, именами и англицизмами. Фраза «купил 1500 USDT по курсу 92,5» превращалась в аудиохаос с неправильными ударениями и паузами. Приходилось прогонять одни и те же фрагменты по десять раз, корректируя транскрипцию вручную. Для сложных проектов освоил редактор Audacity, чтобы склеивать удачные участки и накладывать шумоподавление. Времени уходило втрое больше, чем обещали обучающие ролики, а ставку пришлось занижать, чтобы конкурировать с живыми дикторами.
Рынок и реальный доход
Основными клиентами оказались авторы небольших тематических подкастов, которые не могли позволить себе студийную запись. Средний заказ на 15–20 минут аудио приносил от 800 до 2500 рублей в зависимости от сложности редактуры. За полгода набралось 27 заказов, но пик активности пришёлся на первые два месяца — потом рынок насытился, а платформы начали блокировать аккаунты за подозрения в нарушении авторских прав. К концу эксперимента понял, что стабильный заработок требует постоянного поиска новых клиентов и юридической подстраховки.
Сейчас я использую синтез речи только для своих проектов, доверяя нейросетям черновые озвучки, которые потом дорабатываю сам. Фриланс в этой нише оказался скорее обучающим экспериментом, чем источником постоянного дохода. Технологии развиваются быстро, но правовые рамки и недоверие клиентов к «искусственным» голосам пока сдерживают рост рынка. Иногда думаю вернуться к этому направлению через год-два, когда инструменты станут точнее, а аудитория — лояльнее к синтезированной речи. Пока же ценю полученный опыт: научился работать со звуком на уровне, недоступном большинству любителей.
