Клонирование голоса и липсинк для рекламных креативов: как это работает и сколько стоит

Два инструмента изменили производство видеокреативов сильнее всего: клонирование голоса и липсинк. Первый убирает диктора и студию звукозаписи, второй — съёмку. Вместе они позволяют сделать ролик, в котором живой человек говорит любой текст на любом языке, из одного фото и десяти секунд записи.

Разберём, как это работает, что влияет на качество и сколько стоит минута такого видео.

Клонирование голоса: как нейросеть учится тембру

Клон голоса — это модель синтеза речи, которой показали образец и попросили говорить «так же». Современным моделям хватает 10 секунд чистой речи: они не «запоминают» слова, а извлекают характеристики — тембр, высоту, темп, манеру, дыхание — и воспроизводят их на новом тексте.

Что происходит внутри:

1. Расшифровка образца. Сервис распознаёт, что сказано в записи, и связывает звук с текстом — так модель понимает, как этот голос произносит конкретные звуки.
2. Извлечение голосового «отпечатка». Из записи выделяется компактное описание голоса, независимое от текста.
3. Синтез. Новый текст озвучивается с этим отпечатком: интонация строится по знакам препинания и смыслу фразы.

Клон умеет говорить на языках, которых не было в образце: русский голос без проблем читает английский или испанский текст, сохраняя тембр. Акцент при этом наследуется от оригинала — для локальных гео лучше брать образец носителя.

Что делает клон качественным

• Чистый образец. Без музыки, реверберации и второго голоса. Голосовое сообщение с телефона в тихой комнате лучше студийной записи с эффектами.
• Естественная речь. Образец «как в разговоре», а не чтение по бумажке, — иначе клон будет читать.
• Короткие реплики. Модель держит интонацию на одно-два предложения; длинный абзац лучше разбить.
• Управление ударениями и паузами. В именах и редких словах ударение ставится вручную; паузы — знаками препинания. Хороший сервис ведёт базу проблемных слов и подставляет метки сам.

Голос по описанию

Когда образца нет или нельзя использовать чужой голос, голос проектируют: задаёте пол, возраст, тембр, настроение — и получаете уникальный голос, не привязанный к реальному человеку. Для брендов это ещё и юридически чистый вариант: никто не придёт с претензией, что «это мой голос».

Липсинк: губы в каждое слово

Липсинк (lip sync, синхронизация губ) — генерация движения рта и мимики под конкретную звуковую дорожку. На вход — фото или видео персонажа и аудио, на выход — видео, где персонаж произносит именно этот текст.

Есть два подхода:

• Липсинк на видео. Есть готовый ролик со спикером, нужно заменить речь: нейросеть перерисовывает область рта под новую дорожку, остальной кадр остаётся оригинальным. Так переводят и переозвучивают готовые видео.
• Генерация из фото. Есть только фотография: модель создаёт видео целиком — движение головы, мимику, моргание, жесты — и синхронизирует губы с озвучкой. Это то, что обычно называют «говорящей головой» или «оживить фото», но современные модели меняют планы и ракурсы, будто ролик снимали несколько камер.

Что отличает хороший липсинк от «маски»

• Согласные читаются. «П», «Б», «М» требуют смыкания губ; если рот открыт на этих звуках — зритель чувствует фальшь, даже не понимая почему.
• Мимика связана с речью. Брови, щёки, наклон головы двигаются в такт интонации, а не живут отдельно.
• Естественные паузы. Между репликами рот закрывается, поза не «прыгает».
• Стабильное лицо. Черты не меняются от сцены к сцене; на крупных планах кожа и зубы детализированы.

Разные модели по-разному балансируют скорость и детализацию, поэтому в студии VSL·TOOLS три уровня: Lite — быстро и дёшево для тестов, Standard — естественные жесты и мимика, Pro — максимальная детализация лица для крупных планов. Сервис умеет выбирать модель сам по длине кусков ролика.

Как связка «клон + липсинк» собирается в креатив

1. Текст разбивается на реплики.
2. Каждая реплика озвучивается клоном — отдельным файлом, чтобы перегенерировать фразу, а не ролик.
3. Персонаж из фото проговаривает реплики; сцены меняются между репликами.
4. Титры вжигаются по расшифровке слов.
5. Финал склеивается в mp4 под платформу.

Правка ролика после этого — это правка текста: изменили цену в реплике — переозвучили одну фразу и перегенерировали её секунды.

Сколько это стоит

На текущих тарифах: клон голоса — $0.06 за 1000 символов озвучки, проектирование голоса — $0.05 за голос, видео с персонажем из фото — от $0.60 за минуту на Standard 640p и от $0.80 на Lite 480p, до $1.80 за минуту на Pro. Оплата посекундная и без подписки: 20-секундный креатив стоит центы, трёхминутный VSL — несколько долларов.

Для сравнения: диктор берёт от $20–50 за минуту записи, а любая правка текста — новая сессия.

Юридическая сторона

Клонировать можно только голос, на использование которого есть право: ваш собственный, голос сотрудника или актёра по договору, голос клиента с письменного согласия. То же с лицом на фото. Синтетический контент с чужим лицом или голосом без согласия запрещён правилами сервиса и законами большинства стран, а рекламные платформы за это банят аккаунты. Безопасная альтернатива — голос по описанию и лицо модели по лицензии.

Типичные проблемы и как их решать

Итог

Клон голоса и липсинк — это не «замена актёра», а другой способ производства: ролик становится текстом, который можно править, переводить и масштабировать. Качество зависит от трёх вещей — чистого образца, резкого фото и коротких реплик.

Попробовать клон и живого персонажа можно за минуту: стартовый бонус покрывает тестовый ролик.