Озвучка текста нейросетью: голоса, русский язык, клонирование

Для роликов, курсов и аудиокниг чаще берут ElevenLabs: на 16 октября 2026 у сервиса 1 место в Artificial Analysis Text to Speech на 16 октября 2026, в списке 90+ языков есть русский. Для озвучки внутри компании без отправки текстов за рубеж подходит открытая модельмодель с открытыми весами Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. Подробнее в словаре Qwen3-TTS: ее можно поставить на свой сервер.

Gemini удобна для диалогов: в одном запросе до 2 голосов, стиль речи задается словами. ChatGPT стоит в рейтинге заметно ниже (49 место в Artificial Analysis Text to Speech на 16 октября 2026), но озвучка уже есть в приложении, которым многие пользуются.

Если вам нужно, чтобы нейросеть говорила с клиентами по телефону, это другая задача: голосовой агентголосовой агент Голосовой агент это ИИ-агент, который ведет телефонный разговор: слышит собеседника, понимает задачу, выполняет действия в системах компании и отвечает голосом. Подробнее в словаре слушает, понимает и отвечает. О нем последний раздел.

Artificial Analysis ведет рейтинг синтеза речисинтез речи Синтез речи (text-to-speech, TTS) это превращение письменного текста в звучащий голос с помощью программы. Подробнее в словаре по системе Эло. В Speech Arena слушатели вслепую сравнивают две записи одного текста от разных моделей и выбирают ту, что звучит естественнее. Из голосов складывается балл и место модели.

Мы взяли из рейтинга места тех сервисов, что есть в нашем каталоге, и записали модель на дату проверки. Порядок карточек совпадает с порядком в рейтинге. Цену, языки и доступ из России мы сверили по официальным страницам.

У рейтинга есть ограничение для русского текста: фильтры акцента на странице только американский и британский. Место в рейтинге говорит о естественности речи в целом, а русские ударения и имена нужно проверять самим.

ElevenLabs (1 место в Artificial Analysis Text to Speech на 16 октября 2026). Озвучка на 90+ языках, русский в списке. Бесплатно 10 000 кредитов в месяц, платный тариф Starter от 6 $ в месяц. В феврале 2026 года компания привлекла 500 млн $ при оценке 11 млрд $. Россию ElevenLabs официально не поддерживает: страна названа в списке ограничений в справке.

Qwen (3 место в Artificial Analysis Text to Speech на 16 октября 2026). В рейтинге стоит облачная модельоблачная модель Облачная модель это нейросеть, которая работает на серверах поставщика, а вы пользуетесь ею через сайт, приложение или API и платите за объем запросов. Подробнее в словаре Alibaba. Отдельно команда выпустила открытое семейство Qwen3-TTS под Apache 2.0: оно говорит на 10 языках, русский среди них, есть 9 готовых голосов и управление стилем словами. Открытую модель можно скачать и запустить на своем сервере.

Gemini (5 место в Artificial Analysis Text to Speech на 16 октября 2026). Модели Gemini Flash TTS понимают больше 130 языков, русский отмечен в таблице. Есть 30 готовых голосов, в одном запросе до 2 голосов, стиль задается словами, например «шепотом» или «с улыбкой». Россия не входит в список регионов Gemini API.

ChatGPT (49 место в Artificial Analysis Text to Speech на 16 октября 2026). Синтез речи OpenAI следует за языками распознавания Whisper, русский в списке, но голоса, по словам OpenAI, настроены в первую очередь на английский. В API 13 готовых голосов. России нет в списке стран, где официально работает ChatGPT.

Между нашими кандидатами в рейтинге стоят и другие модели синтеза речи, которых нет в каталоге раздела. Полный список открывается по ссылке в блоке «Как мы составили топ».

Русский есть в списках всех четырех сервисов, но качество разное, и рейтинг его не показывает. Чаще всего ломаются ударения в словах с двумя чтениями, например «замок» на двери и «замок» у короля, а еще имена, аббревиатуры, числа и единицы измерения.

Проверяйте на своем тексте. Возьмите абзац с числами, датой, фамилией клиента и отраслевым термином и прогоните через два-три сервиса. Послушайте, где голос споткнулся, и сравните цену за тот же объем.

Числа и сокращения надежнее писать словами: «двадцать пять тысяч рублей», а не цифрами с сокращением. Сложные ударения часто исправляет знак ударения или другая форма слова. Для длинного текста сделайте словарь таких замен и прогоняйте его перед каждой озвучкой.

Если вам нужно обратное, превратить речь в текст, смотрите рейтинг нейросетей для распознавания речи: там другие модели и свой рейтинг.

Клонирование голоса делает синтетическую копию голоса конкретного человека по записям его речи. Для диктора компании или автора курса это удобно: один раз записали, дальше озвучка без студии. Но голос принадлежит человеку, и копировать его без согласия нельзя.

ElevenLabs разрешает профессиональное клонирование только своего голоса: голос проходит проверку, и даже с согласия другого человека клонировать его голос в своем аккаунте нельзя. Для качественной копии сервис советует от 30 минут чистой записи.

В России законопроект № 718834-8 предлагает добавить в Гражданский кодекс статью 152.3 об охране голоса: использовать голос, в том числе синтезированный, только с согласия человека. В январе 2025 года правительство его не поддержало и указало, что запись голоса уже считается обработкой биометрических персональных данных. На 16 октября 2026 законопроект на рассмотрении в Госдуме.

Практическое правило: клонируйте только свой голос или голос диктора, который письменно согласился и получил за это оплату по договору. OpenAI требует предупреждать слушателей, что голос создан ИИ, а не человеком; так стоит делать с любым сервисом.

Озвучка файла и разговор с клиентом устроены по-разному. Голосовой агент слушает человека, распознает речь, понимает вопрос, ищет ответ в ваших данных и отвечает голосом, а синтез речи в нем только последний шаг.

В звонках есть персональные данные: имя, телефон, заказ, а запись голоса правительство относит к биометрическим данным. Поэтому для звонков клиентам подходят модели, которые работают на серверах в России, или открытые модели вроде Qwen3-TTS на своем сервере.

Синтез в таком агенте должен отвечать быстро: пауза в разговоре заметнее, чем в ролике. Поэтому на пилоте стоит мерить не только естественность голоса, но и задержку ответалатентность Латентность это задержка между запросом к модели и ответом: сколько ждать первого слова и сколько времени уходит на весь ответ. Подробнее в словаре и долю звонков, которые агент довел до конца без оператора.

Мы собираем голосовой агент под задачи компании: прием заявок, запись на услуги, ответы на типовые вопросы, передача сложных звонков оператору. Запуск начинается с пилота на одном сценарии.