Записать закадровый голос самому — значит искать тихое место, микрофон и делать десяток дублей. Заказать диктора — дорого и долго. Озвучка текста нейросетью даёт готовую речь за минуту, с естественными паузами и интонацией.
На выбор три модели. Eleven v4 от ElevenLabs звучит живее всех и хорошо говорит по-русски, а эмоции задаются тегами прямо в тексте: [шёпотом], [смеётся], [взволнованно]. Gemini 3.8 Flash TTS от Google почти вдвое дешевле, и манеру речи в ней можно описать словами: «спокойно и тепло, как в аудиокниге» или «как диктор новостей». MiniMax Speech 2.8 HD берёт длинные тексты до 10 000 символов, и в ней можно выбрать эмоцию — радостно, грустно, удивлённо — и скорость речи.
У каждой модели свой набор мужских и женских голосов, от бархатного до дикторского, всего 34. Любой голос можно прослушать до генерации. Цена зависит от длины текста и модели и видна до запуска: у Eleven v4 — 10 кредитов за 1000 символов. Если озвучка не удалась, кредиты не списываются.