Клонировать голос нейросетью: 5 шагов и 2 сервиса с картой РФ

Чем копия голоса отличается от робота в синтезаторе речи?

Синтезатор речи берёт готовый голос из списка: мужской бодрый, женский спокойный, диктор как из телевизора. Вставляете текст, получаете чтение чужим тембром. Работает это давно, стоит дешевле всего, но голос в вашем ролике будет не ваш, и подписчик такое слышит.

Клон строится из вашей записи. Сервис берёт образец речи, вытягивает оттуда тембр, скорость, манеру тянуть гласные и ставить паузы, и дальше читает любой текст уже в этой манере. Разница слышна в мелочах: моя копия так же проглатывает конец фразы, как я сам, и так же чуть замедляется, когда в предложении появляется число.

Отсюда два разных решения. Нужна озвучка инструкции, приветствия или автоответчика — берите готовый голос, это быстрее и дешевле, про такой путь у меня есть отдельный разбор нейросеть для озвучки. Нужно, чтобы в видео, подкасте или голосовом сообщении клиентам звучали именно вы, — нужен клон, и дальше весь разговор про него.

Рядом стоит задача побольше: говорящая голова, то есть лицо на видео, которое произносит текст вашим голосом. Как такое собирается целиком, я разбирал в статье ИИ-аватар своими руками, а здесь только звук.

Где в России клонируют голос бесплатно: что я нашёл по 15 адресам

Я задал один и тот же вопрос трём бесплатным нейросетям: где записать 30 секунд и получить копию своего голоса, работая из России, без зарубежной карты и без программ для обхода блокировок. Три ответа дали 15 адресов, из них 11 разных. Каждый я открыл и прочитал, что написано на самой странице.

Девять адресов из 11 ответили нормально. Два не открылись: kikivoice.ai отдал отказ по доступу, а страница Яндекса с синтезом речи без входа в аккаунт ушла в бесконечный редирект. Остальные девять живы, но половина из них — синтезаторы готовых голосов, то есть ответ не на мой вопрос.

Клонирование по-русски с оплатой российской картой нашлось на двух адресах. На genvoice.ru обещают копию по образцу от 3 секунд примерно за 10 секунд работы, а на бесплатном старте — 10 рублей на баланс каждый месяц, один свой голос и 500 знаков за один синтез при базовой ставке 5 рублей за 1000 знаков. На speakmi.ru клон делают из голосового сообщения на 10–30 секунд, первые 30 секунд озвучки отдают без карты, дальше пакеты от 149 рублей за примерно 8 минут; движок там чужой, и сервис честно пишет, что работает на Fish Audio.

Эти два сервиса я насквозь не проходил: свой голос в чужой сервис я не загружал; условия читал на их страницах 27 октября 2026 года. Относитесь к цифрам как к обещанию сервиса, которое стоит перепроверить в момент регистрации: тарифы такого рода меняются за месяц.

В ответ придёт список из 3–8 сервисов с лимитами, и проверять в нём нужно две вещи: открывается ли адрес и есть ли на странице слово «клонирование». В моём прогоне Алиса заявила, что бесплатно копию голоса получить нельзя, и предложила вместо этого три синтезатора готовых голосов — адреса живые, но вопрос был не про них. ГигаЧат назвал зарубежный сервис и в том же абзаце написал, что из России он не работает. DeepSeek начал с честного «под все условия сразу ничего не нашлось», хотя оба российских сервиса в его ответе были.

Сколько записи нужно: три секунды, тридцать или пять минут?

Сервисы соревнуются в скромности запроса: кому-то хватает 3 секунд, кому-то 10, кому-то голосового сообщения на полминуты. Это правда ровно в одном смысле — похожий голос вы получите. Я свой первый клон собрал на двух минутах речи и считал, что дело сделано, пока не послушал готовый ролик целиком: тембр похож, а человек другой.

Переделал на 5 минутах 20 секундах обычного разговора: там я сбиваюсь, молчу и говорю «эээ». После этого образца голос стал мой. Копия, которой я озвучиваю ролики сейчас, собрана уже на 25 минутах чистого чтения, и это другой уровень: она не рассыпается на длинных текстах.

Выходит простая лестница. Тридцати секунд хватит, чтобы понять, нравится ли вам затея и тот ли сервис вы выбрали. Пяти минут спокойной речи хватит для голоса, который не стыдно поставить в видео. Десятки минут нужны, если собираетесь озвучивать помногу и регулярно.

И деталь про сам образец: записывайте так, как говорите, без дикторских интонаций. Копия повторит именно то, что услышит. Начитаете образец бодрым радиоголосом — потом ваш собственный спокойный текст в этой озвучке будет звучать фальшиво.

Как получить свой голос за пять шагов?

Порядок одинаковый почти везде, меняются только кнопки. Четвёртый шаг люди обычно пропускают, и именно из-за него потом переделывают всё остальное.

1. Шаг 1. Записать образецТихая комната, телефон в 20–30 сантиметрах, обычный темп. Говорите что-нибудь своё: как прошёл день, что делали на работе, — текст для ролика тут не нужен. Нужно 30 секунд для пробы и около 5 минут для рабочей копии. Если в записи слышно улицу или эхо — переписать, шум уедет в голос.
2. Шаг 2. Завести голос в сервисеНа genvoice.ru это загрузка файла и регистрация, на speakmi.ru — голосовое сообщение боту. Дальше сервис 10–30 секунд считает и отдаёт голос в списке ваших. Не открылось или просит зарубежную карту — закрывайте и берите второй адрес, их два.
3. Шаг 3. Подготовить текстЦифры, сокращения и латиницу переписать словами. Это та работа, которую нейросеть делает за вас по запросу ниже, но результат надо прочитать глазами — в моём прогоне все три сети справились с формой и каждая по-своему испортила смысл.
4. Шаг 4. Озвучить и прослушать с текстом в рукахСлушайте, глядя в свой текст, и ловите три места: числа, диапазоны и имена собственные. Именно там копия врёт. Я на этом шаге ставлю отметки прямо в тексте, а не в памяти.
5. Шаг 5. Править текст, а не голосСпоткнулось слово — меняйте написание: ставьте ударение, разбивайте предложение, убирайте тире. Переозвучить абзац стоит секунды, а новая копия голоса делу не поможет: она ошибётся в том же месте.

Пятый шаг — главный вывод всех моих трёх месяцев. Голос правят текстом. Пока я этого не понял, перебирал настройки стабильности и похожести, хотя ломала фразу обычная запятая не на месте.

Что копия сделает с сырым текстом: прогон на моём клоне

Чтобы это не было словами, я взял обычный анонс, какой пишет человек для себя, и отдал его своей копии голоса как есть — с цифрами, сокращениями и значками. Получилось 20,34 секунды звука из 232 знаков. Потом я прогнал запись обратно через распознавание речи и посмотрел, какие слова в ней услышал компьютер.

В тексте было «длится 40-45 мин.» — в расшифровке стоит «длится 40-45 мною». Сокращение «мин.» с точкой голос прочитал как отдельное слово, и на слух это именно «мною». Второе место: «запись остаётся на 30 дн.» превратилось в «на 30 день» вместо «на 30 дней». Время «19:30», знак процента и сумму «1 250 ₽» копия прочитала правильно, тут претензий нет.

Две ошибки на четыре строки — это ролик в переделку. Причём виноват не сервис и не копия: голос прочитал ровно те знаки, которые я ему дал. Поэтому третий шаг из списка выше — единственное место, где такие ошибки лечатся.

В ответ придёт тот же текст, где цифр не осталось вовсе. Проверяйте два места: все ли ваши числа на месте (нейросеть любит «округлить» 1 250 до «около тысячи») и не появилось ли нового факта, которого вы не писали.

Три нейросети готовили мой текст: кто справился, а кто подложил тире?

Этот самый запрос я отдал ГигаЧату, Алисе и DeepSeek на одном и том же анонсе, в который заранее заложил 10 ловушек: даты «3 по 7 ноября», латинское слово, время «19:30», диапазон «40-45 мин.», сокращения «30 дн.» и «и т.д.», знак процента, сумму с рублём, значок номера и аббревиатуру «ИП».

Формальную часть прошли все трое: 10 ловушек из 10, ни одной цифры и ни одной латинской буквы в ответе, все шесть проверочных фактов на месте. Если бы приёмку делал скрипт, он поставил бы три зелёные галочки и закрыл вопрос.

Глазами видно другое. Алиса записала Excel как «Иксэль» — так это слово не произносят. ГигаЧат вместо перечня «ИП, самозанятые» написал «индивидуальный предприниматель» в единственном числе, то есть тихо поменял смысл строки. А главное — тире: DeepSeek и ГигаЧат оставили диапазон в виде «сорок — сорок пять минут», и только Алиса переписала его словами «от сорока до сорока пяти минут».

Почему тире важнее опечатки, я проверил тем же способом. Озвучил оба варианта своей копией голоса и замерил паузы по словам. В варианте с тире между словом «сорок» и словами «сорок пять» стоит пауза 0,42 секунды — ровно внутри диапазона; распознавание речи услышало там запятую и записало «сорок, сорок пять минут». В варианте Алисы внутри диапазона паузы нет вообще, расшифровка чистая: «от 40 до 45 минут». На слух это разница между «сорок… сорок пять минут» и нормальной фразой.

Вывод для работы: тире в тексте для озвучки — это пауза, а не знак диапазона. У меня в правилах озвучки записано жёстко: тире-пунктуации в тексте нет, составные слова пишем через дефис, иначе между частями слова слышен шов. Этими двумя правилами я закрываю брак в своих роликах.

Почему просьба «подготовь текст для озвучки» даёт чужой монолог?

Четвёртый опыт был короткий: я написал тем же трём сетям одну строку без всякого текста — «подготовь текст для озвучки моим голосом». Это ровно то, что человек печатает первым, когда ещё не понимает, как с нейросетью разговаривать.

DeepSeek и Алиса попросили детали: о чём текст, какая длина, какой тон, что обязательно включить. Это правильный ответ, и для моих замеров он даже неожиданный: девять раз подряд на похожих задачах сети предпочитали додумать за меня, а не спросить.

ГигаЧат додумал. Он выдал монолог на 7165 знаков про кортизол и утренний кофе, с режиссёрскими ремарками в скобках: «(Пауза 1 секунда. Звук: лёгкий вдох, щелчок пальцев для привлечения внимания)». Текст бойкий, к моей задаче он отношения не имеет совсем; ремарки в скобках копия голоса прочитала бы вслух.

Отсюда правило, которое экономит больше всего времени: в запрос всегда кладите свой текст. Нейросеть хорошо переписывает то, что вы дали, и плохо угадывает то, чего не знает. Разница в результате — между правкой на минуту и чужим монологом, который надо выкинуть.

Можно ли клонировать голос другого человека по закону?

Вопрос не праздный: первое, что приходит в голову после удачной пробы, — сделать голос жены, начальника или знакомого диктора. Я спросил у тех же трёх нейросетей, что об этом говорит российский закон, а потом пошёл читать нормы сам.

Главное они сказали верно, все трое: отдельной статьи, которая прямо запрещала бы синтез чужого голоса, в законе нет. Дальше начинаются расхождения, и они показательны.

Алиса написала, что статья 150 Гражданского кодекса «относит голос к нематериальным благам». Я открыл текст статьи: слова «голос» там нет ни одного раза. Перечислены жизнь и здоровье, достоинство личности, честь и доброе имя, неприкосновенность частной жизни, имя гражданина, авторство — и «иные нематериальные блага». Перечень открытый, поэтому рассуждение держится, но в статье этого не написано — нейросеть подала свой вывод как цитату.

ГигаЧат сослался на статью 152.1 — ту, где сказано, что обнародование и использование изображения гражданина допускаются только с его согласия. Про изображение там правда, про голос — нет: это аналогия из юридических споров, а ГигаЧат подал её как действующее правило. Самым аккуратным оказался DeepSeek: он назвал статью 152.2 об охране частной жизни и сам предупредил, что голос в ней прямо не назван и исход зависит от обстоятельств.

Третья норма, которую упомянули все, — закон о персональных данных. В части 1 статьи 11 речь о биометрии: сведения о физиологических особенностях человека, «которые используются оператором для установления личности», обрабатываются только с письменного согласия. Оговорку про установление личности сохранили DeepSeek и Алиса, ГигаЧат её опустил и объявил запрет безусловным.

Ответ будет похож на мой: «прямого запрета нет, но есть вот эти статьи». Проверяйте номера статей по первоисточнику, а не по пересказу: две из трёх сетей в моём прогоне приписали закону то, чего в тексте статьи нет. Практический вывод простой и от юридических тонкостей не зависит: чужой голос клонируем только с письменного согласия человека, а своим голосом не озвучиваем то, за что потом неудобно будет отвечать.

Отдельно про риск с другой стороны. Копия голоса родственника — рабочий инструмент мошенников, и схемы с ним я разбирал в статье мошенники и нейросети. Если вы выкладываете голосовые публично, считайте, что образец вашей речи у них уже есть.

• Записать образец своей обычной речью: 30 секунд для пробы, 5 минут для рабочей копии.
• Слушать запись перед загрузкой: улица, эхо и щелчки уедут в голос.
• Перед озвучкой прогнать текст запросом выше: цифры словами, сокращения раскрыты.
• Убрать тире-пунктуацию: внутри диапазона она даёт паузу почти в полсекунды.
• Составные слова писать через дефис, иначе между частями слышен шов.
• Слушать готовое с текстом в руках и проверять числа, диапазоны и имена.
• Споткнулось слово — править текст, а не настройки и не копию голоса.
• Чужой голос клонировать только с письменного согласия человека.

Если копия голоса пока не нужна, но озвучить текст надо сегодня — смотрите разбор нейросеть для озвучки: там готовые голоса и места, где слышно робота. Чем ещё можно заменить платные сервисы без потери качества, я собрал в бесплатном гайде бесплатные замены платным нейросетям.

Сколько секунд записи нужно для клона голоса?

Сервисы берут образец от 3 до 30 секунд и за секунды отдают похожий голос. Для копии, которую не отличишь от себя, этого мало: мой первый клон на двух минутах речи звучал чужим, а на 5 минутах 20 секундах спокойного разговора стал моим.

Можно ли клонировать голос бесплатно и по-русски?

Само создание копии бесплатно на двух российских сервисах, адреса которых я проверил: genvoice.ru даёт 10 рублей на баланс каждый месяц и один свой голос, speakmi.ru отдаёт первые 30 секунд озвучки без карты. Бесплатного объёма хватает на пробу, а не на регулярную работу.

Почему озвучка читает текст не так, как я написал?

Голос читает ровно те знаки, что вы дали. В моём прогоне сокращение «мин.» прозвучало как «мною», «30 дн.» превратилось в «30 день», а тире внутри диапазона дало паузу 0,42 секунды между словами «сорок» и «сорок пять».

Какая нейросеть лучше готовит текст к озвучке?

Формальные условия выполнили все три: цифры словами, сокращения раскрыты, латиница убрана, факты на месте. По уху лучше вышло у Алисы: она написала «от сорока до сорока пяти минут» без тире, но ошиблась в слове Excel, записав его как «Иксэль».

Можно ли клонировать голос другого человека?

Отдельной статьи про голос в законе нет, и три нейросети сказали это верно. Защита выстраивается через охрану частной жизни и нематериальных благ в Гражданском кодексе и через согласие на обработку биометрии по 152-ФЗ. Практический вывод: берите письменное согласие человека.

Чем клон голоса отличается от обычного синтезатора речи?

Синтезатор читает текст готовым голосом из списка, клон повторяет ваш тембр и манеру по вашей записи. На слух разница в деталях: клон воспроизводит вашу скорость, тянущиеся гласные и привычку проглатывать конец фразы.