Когда я впервые озвучивал ролик в ElevenLabs, слово «договор» прозвучало как «дОговор». Клиент сразу написал: «Вы что, с Екатеринбурга?» Пришлось разбираться, как заставить нейросеть говорить правильно. Оказалось, есть несколько способов, и все они работают.
Почему ElevenLabs ошибается с ударениями
В ElevenLabs нет отдельной кнопки или панели для ручной разметки ударений. Это не редактор с подсветкой слогов, а нейросеть, которая предсказывает интонацию по контексту. Русский язык с его подвижным ударением - настоящая боль для таких моделей. Слова «замок» и «замок», «мука» и «мука» ставят ИИ в тупик, если вокруг них нет подсказок.
Разработчики это знают, поэтому дали несколько инструментов. Некоторые из них спрятаны глубже, чем хочется, но они есть. Собрал три способа, которые реально помогают.
Трюк №1: меняем написание слова
Самый простой способ - переписать слово так, чтобы буквы подсказали ударение. Официальная документация ElevenLabs рекомендует использовать заглавные буквы, дефисы, апострофы и кавычки вокруг отдельных букв. Этот приём активно советуют на Reddit - он выручает в девяти случаях из десяти.
Например, в английском слово "trapezii" можно написать как "trapezIi", чтобы выделить второй звук "и". В русском работает то же самое. Хотите «замОк» - пишите «замОк» с большой буквы. Хотите «зАмок» - пишите «зАмок». Нейросеть видит нестандартное написание и старается произнести именно его.
Можно выделять букву апострофами: «зам'О'к». Или брать слово в кавычки: «"замОк"». Иногда помогают дефисы: «зам-О-к» - только аккуратно, чтобы не превратить слово в три отдельных слога.
Проверяйте каждый вариант на слух. Один и тот же приём может сработать для одного голоса и не сработать для другого.
Трюк №2: SSML-фонемы для Flash v2 и Turbo v2
Если ваш голос работает на моделях Flash v2 или Turbo v2, вы можете вставить в текст SSML-теги. Это как HTML для синтеза речи. Внутри тега указываете транскрипцию - и нейросеть произносит ровно её.
Поддерживаются две системы: IPA (международный фонетический алфавит) и CMU (карнеги-меллонская система). Лично мне CMU кажется более предсказуемой: она даёт стабильный результат без сюрпризов.
Пример для русского слова «замок» (в значении здание) в IPA будет выглядеть так:
<phoneme alphabet="ipa" ph="ˈzamək">замок</phoneme>
Для английского слова «record» (существительное - запись) в IPA:
<phoneme alphabet="ipa" ph="ˈrekɔːd">record</phoneme>
Если возиться с IPA не хочется, есть CMU. Там звуки кодируются буквами и цифрами, где цифра указывает ударение. Например, "ZAM AH0 K" для замка. Правда, в русском языке CMU работает хуже, потому что система заточена под английскую фонетику. Для русского лучше сразу брать IPA. На Reddit практикующие специалисты по озвучке подтверждают: CMU на русском даёт сбои, поэтому IPA - выбор номер один.
Главный минус SSML - не все модели ElevenLabs его поддерживают. На старой версии v2 он просто не сработает, а текст будет прочитан как есть. Так что проверяйте, на какой модели работает ваш голос.
Трюк №3: нативные возможности Eleven v3
Свежая модель Eleven v3 получила встроенную поддержку IPA. Это не значит, что появилась кнопка «поставить ударение», но теперь вы можете писать слова прямо в транскрипции. Вот так:
ˈzamək
Модель сама понимает, что перед ней фонетическая запись, и произносит слово правильно. Это удобно для редких имён, фамилий, иностранных слов. Только помните: IPA требует квадратных скобок или оформления через тег, иначе нейросеть может прочитать символы как обычный текст.
В Eleven v3 также улучшили межсловесные паузы и интонацию. Но если нужно поставить ударение в конкретном месте, альтернативное написание всё ещё действует безотказно.
Паузы и интонация без сложных настроек
Ударение - это не только ударный слог, но и паузы вокруг слова. В ElevenLabs паузы расставляются вручную: многоточие делает паузу, а скобки позволяют вставить прямое указание для озвучки. Например:
«Он подошёл к (замок) и открыл дверь» - в этом случае текст в скобках озвучивается с интонацией вставки.
Ещё настраивается параметр Style Exaggeration. Если увеличить его - голос становится более театральным, ударения и акценты заметно усиливаются. Но не переборщите: на высоких значениях речь звучит неестественно, как диктор советских новостей.
Speed Boost тоже влияет на произношение. При ускорении нейросеть может «глотать» окончания и произвольно переносить ударение. Если слово важное, поставьте скорость чуть ниже.
Бонус: подготовьте текст заранее
Лучший способ избежать ошибок с ударением - вообще не давать нейросети шанс сомневаться. Я чаще всего прогоняю текст через ChatGPT: прошу расставить ударения над сложными словами и переписать проблемные места с дополнительным контекстом. Потом вставляю в ElevenLabs - и почти всегда получаю чистый результат.
Тут есть нюанс: для работы с ChatGPT и другими нейросетями нужен доступ. Из России это целый квест с картами и номерами. Решил для себя этот вопрос через 3GPT. Это сервис, который даёт доступ ко всем флагманским моделям - ChatGPT, Claude, Gemini и другим - прямо из России, за 149 рублей в месяц. Пополнить баланс можно российской картой, через СБП или криптой. Работает без иностранных карт, поэтому ничего не блокируется.
Там же я пользуюсь готовыми ИИ-агентами, которые ускоряют подготовку текстов. Вот они: https://3seller.com/ai/agents. Выбираешь агента под задачу и работаешь с ним в чате. Модель внутри агента можно менять прямо во время разговора, если одна не справляется. Удобно, когда нужно быстро переписать кусок сценария или расшифровать английское слово в IPA.
Если хотите попробовать, вот ссылка: 3GPT от 3SELLER. Получить доступ ко всем флагманским моделям нейросетей из России можно именно там.
Практический итог
Правильное ударение в ElevenLabs - это не магия, а комбинация простых приёмов. Сначала пробуйте изменить написание: заглавные буквы, апострофы, дефисы. Если не помогает, переходите на SSML-фонемы. И помните про настройки скорости и стиля - они меняют всё.
А пока вы экспериментируете с произношением, подумайте, где вам удобнее готовить тексты для озвучки. С 3GPT доступ к ChatGPT, Claude и другим моделям будет в одном месте, и для этого не нужна иностранная карта. По крайней мере, мои клиенты теперь слышат «договОр», а не «дОговор».