Аня развернула ко мне экран с коротким текстом, который должен стать вступлением к выпуску подкаста. «Коллеги хотят сделать голос не просто читающим, а живым. Вот тут он говорит: “На самом деле, я не знаю”. И по идее, это не признание в невежестве, а открытый, честный жест к слушателю. Нужно, чтобы он звучал мягко, доверительно. Просто проставь в скрипте шёпот или медленнее?»
Техника на замену одному слову
Я открыла Drama 3, модель для режиссуры голоса от Fish Audio. Сказала Ане, что можно попробовать не просто замедлить всю фразу, а выбрать именно слово «знаю» и обернуть его парным тегом, чтобы изменилась только его окраска.
«На самом деле, я не (мягко, с лёгкой улыбкой) знаю (мягко)»
Это было технически безупречно. Редактор позволяет выделить слова и применить к ним тег вроде «Шёпот» или «Медленнее», и эффект коснётся только их. Мы сгенерировали вариант. Голос действительно произнёс «знаю» теплее и тише остального предложения. Аня послушала и нахмурилась: «Технически — да. Но он всё равно звучит как актёр на пробах, который демонстрирует приём. Нет той самой открытости, которую мы ловим в живом разговоре».
Что скрывается за «авторазметкой»
Тогда я решила пойти другим путём — не ставить теги самой, а довериться авторазметке. Скопировала в редактор весь абзац вступления и нажала кнопку. Инструмент расставил по тексту указания по исполнению: паузы, оттенки эмоций. Например, перед «я не знаю» появилось (задумчиво, обращаясь к слушателю). Их можно было оставить, отредактировать или переписать полностью.
Это было уже ближе к режиссуре. Но, слушая результат, я вдруг поняла, в чём загвоздка. Все эти (задумчиво) и (мягко) — лишь слова. Они описывают внешнее проявление эмоции, но не её причину. Голосовой движок учится имитировать интонацию, связанную с таким описанием. А откуда в этой сцене берётся сама задумчивость — об этом инструменту ничего не известно. Эта часть истории по-прежнему остаётся за нами.
Инструмент даёт диктовку, а не драматургию
Вот что на самом деле меняет такой тонкий контроль. Раньше мы, грубо говоря, выбирали голос «Алексей — радостный» и получали общее настроение на всю дорожку. Теперь можем сказать: «Пусть на этом слове будет след сомнения, а на следующем — лёгкое облегчение». Это огромный шаг вперёд, почти как перейти от раскраски по номерам к работе с отдельными мазками.
Но мазок — ещё не картина. Инструмент блестяще исполняет команды вроде «произнеси это шёпотом» или «здесь вздохни». Он может даже сгенерировать целый диалог нескольких спикеров за один проход. Однако он не ответит на вопросы: а почему здесь герой должен вздохнуть? Шёпот — это от интимности или от страха? И главное — какую историю мы в целом рассказываем этим голосом?
Мы с Аней вернулись к тексту. Не к тегам, а к нему самому. Кто говорит эту фразу? Человек, который только что нашёл решение старой проблемы и с облегчением признаётся, что путь был неочевиден? Или ведущий, который предлагает слушателю вместе начать исследование?
Переписав одно предложение контекста перед ключевой фразой, мы снова запустили генерацию — уже без сложных пометок, только с общей инструкцией «дружелюбно, как разговор с любопытным другом». И это сработало. «Я не знаю» прозвучало именно как приглашение к совместному поиску, а не как грустный финал.
Drama 3 и подобные инструменты — это не автоматические режиссёры. Это, скорее, самые послушные и технически виртуозные актёры из всех возможных. Они идеально повторят любой оттенок, который вы им зададите. Но вопрос «какой оттенок здесь нужен» — по-прежнему адресован человеку у микрофона. Вернее, тому, кто этот микрофон включает.