Текст в голос: Очеловечиваем робото-озвучку +постобработка

Текст в голос без роботизированного английского: настраиваю RHVoice для живой озвучки выделенного текста и строю постобработку голоса через Piper, ffmpeg и OBS Studio.

В реальном рабочем процессе сравниваю голоса и способы обработки, отделяю голос робота от микрофона на аудиодорожках OBS, перевожу синтез с spd-say на прямой RHVoice-test и добиваюсь правильного чтения английских терминов внутри русской речи. Затем проверяю voice conversion и варианты дикторского голоса на высокой скорости, отказываюсь от менее разборчивых решений и выбираю Piper с голосом Irina для финальной замены реплик в постобработке. Точный текст и время каждой реплики сохраняются в JSONL-журнале, поэтому их не приходится угадывать распознаванием.

*ЧТО ВЫ УЗНАЕТЕ*
→ Как профиль RHVoice Aleksandr+Slt читает русский и английский разными голосами
→ Почему отдельные дорожки OBS нужны для независимой постобработки робота
→ Как прямой RHVoice-test сохраняет мгновенный старт и полный диапазон скорости
→ Почему voice conversion ухудшает разборчивость быстрой роботизированной речи
→ Как JSONL-журнал точнее Whisper восстанавливает текст и границы реплик
→ Как Piper Irina, ffmpeg atempo и amix заменяют голос в исходных временных слотах

*ТАЙМКОДЫ*

*Вступление и навигация по каналу*
00:00 Статистика канала и навигация для новых зрителей
00:39 Почему заголовок не может вместить всё содержание выпуска
01:29 Реальные IT-проекты вместо коротких инструкций
01:53 Плейлист о создании сайта с нуля
03:02 Настройка окружения и бесплатная веб-автоматизация
03:42 Paperclip, Claude Code и готовые файлы проекта
04:42 Плейлист о гибридном мобильном приложении
05:18 Сайт хакатона и переход к выпуску

*Основное видео*
05:39 Задача: сделать голос робота приятнее и сохранить разборчивость
06:50 Почему смешанную монодорожку нельзя разделить после записи
07:25 Разводка микрофона и озвучки по дорожкам OBS
09:21 Выбор базового голоса и проблема английских терминов
10:36 Что постобработка может исправить, а что уже запечено в синтезе
12:31 Сравнение RHVoice, Piper, Silero и мастеринга
14:47 Приоритет мгновенной скорости и привычного голоса
16:40 Двуязычный профиль RHVoice Aleksandr+Slt
18:00 Английский голос заработал внутри русской фразы
20:35 spd-say ограничивал скорость RHVoice вдвое
21:31 Мастеринг и voice conversion: три варианта обработки
24:02 Установка профиля, потоковый звук и настройка скорости
28:31 Фактическая маршрутизация аудиодорожек через OBS WebSocket
30:00 Прослушивание постобработки и потеря разборчивости
35:02 Независимая громкость робота и лёгкий мастеринг
36:46 Синтез на нормальной скорости и ускорение в финале
38:18 Выбор исходного голоса для автора и Piper Irina для зрителя
40:38 JSONL-журнал вместо ненадёжного распознавания реплик
43:22 Требование довести автоматическую обработку до результата
43:49 Финальное сравнение и выбор обработанного голоса
45:32 Итоги настройки и завершение выпуска

*ТЕХНОЛОГИИ И ПАЙПЛАЙН*

1. ГОЛОС ЖИВЬЁМ (текст с экрана → речь, мгновенно)
RHVoice 1.8 rhvoice · rhvoice-russian · rhvoice-english
профиль из двух голосов: Aleksandr+Slt
русский читает русский голос, английский — английский
RHVoice-test вызов напрямую, поток в stdout (spd-say режет скорость вдвое)
pw-play PipeWire, первый звук через ~0,12 с
wl-clipboard wl-paste --primary — забрать выделение
ydotool Ctrl+Insert для приложений без PRIMARY
COSMIC shortcut Scroll Lock

2. ЗАПИСЬ
OBS Studio 32 PCM float32, три аудиодорожки через маски mixers
T1 смесь · T2 микрофон · T3 озвучка
obs-websocket 5 управление из скриптов (obs-cmd + свой клиент на websockets)

3. ПОСТОБРАБОТКА (робот → дикторский голос)
Piper 1.2 ru_RU-irina-medium.onnx — синтез на нормальной скорости
ffmpeg atempo (ужать в исходный слот), adelay, amix,
silencedetect, volumedetect, loudnorm
whisper.cpp large-v3 на GPU — запасной путь, если нет журнала
свой JSONL-журнал что и когда произнёс робот (точнее распознавания)

4. ПРОБОВАЛИ И ОТКАЗАЛИСЬ
knn-vc перенос тембра — съедает разборчивость на скорости
Silero TTS естественный, но лицензия CC BY-NC (не для монетизации)
Chatterbox MIT, уровень диктора — хорош, но не понадобился
XTTS-v2 некоммерческая лицензия

#RHVoice #СинтезРечи #ОзвучкаТекста #PiperTTS #OBSStudio #ОбработкаЗвука #ГолосовойИИ #ВайбКодинг #ИИ #БудниВайбКодБлогераUSA