ElevenLabs — озвучка (Eleven v4)

Одно ядро: scripts/eleven.py. Модель по умолчанию eleven_v4 — выбрана по слепому сравнению с v3 на четырёх голосах: естественнее интонация, лучше держит язык текста. eleven_v3 не удалена, но включается только явным --model eleven_v3 — когда v4 недоступна или конкретный голос звучит в ней хуже.

Ниже SKILL — абсолютный путь к папке этого файла, PY="$SKILL/.venv/bin/python" (создаётся setup.py). Установка и ключ: README.md.

Точки входа

say и dialogue принимают --text или --file, --timings пишет JSON со временем начала и конца каждого слова (для субтитров и синхронизации анимации), --model, --seed, --stability, --language, --no-normalize. Полный список: eleven.py say --help.

Подготовка текста

Хороший результат v4 даёт текст с правильной пунктуацией и редкими audio-тегами там, где подача меняется. Готовьте текст сами по правилам ниже и references/v4-prompting.md, затем озвучивайте как есть. Если пользователь дал утверждённый текст — не менять ни слова.

Автоматическая подготовка (необязательно): --style ad|pitch|narrator|story|calm прогоняет текст через Claude CLI (claude -p, должен быть установлен и авторизован): расставляет пунктуацию и теги под подачу, слова не меняет. По умолчанию --style none — текст уходит как есть. Подготовленный текст печатается в stderr — проверьте его до выдачи.

Как писать текст под v4

Подробно с примерами: references/v4-prompting.md. Коротко:

• v4 сама читает эмоцию и темп из контекста. Тег нужен там, где подача меняется: примерно один на 1–2 предложения.
• Тег — ремарка режиссёра по-английски в […], можно несколько указаний через запятую: [casual, curious], [Quiet, measured narration], [Gradually building energy], [lower, thoughtful].
• Звуки — сразу после фразы: Мы тоже через это прошли. [sighs].
• Паузы: ..., [short pause], [long pause], [Brief pause]. SSML <break> не работает.
• Только слышимые теги. [smiling], [standing], [music] модель может превратить в звуковой эффект.
• Темп задаётся тегами ([measured pace], [Quick, light, playful pace]) и пунктуацией. Ускорение готового файла — через ffmpeg atempo (в motion-video: voice.py tts --tempo 1.15). Реклама в Reels обычно звучит лучше на ×1.1–1.15.
• Произношение брендов и редких слов: IPA прямо в тексте в виде "/ˈbrænd/" (слеши внутри двойных кавычек). Размечайте только проблемные слова и проверяйте на конкретном голосе. Альтернатива — написать слово так, как оно звучит, или словарь произношения ElevenLabs.
• Слова другого языка внутри русской речи (например, казахские) пишите для озвучки русскими буквами по произношению, ударение — знаком: «солай ғой» → «солай хой», «акша́». На экране оставляйте правильное написание (отдельный файл текста). Распознавание такие слова не проверяет: озвучку отдайте на слух человеку, знающему язык.
• В --timings слова идут так, как написаны в тексте для озвучки, включая IPA и фонетическое написание: перед субтитрами замените их на экранное написание.
• Бренд первым словом фразы часто «проглатывается». Начинайте фразу с действия: «Дарим iPhone каждому…», а не «Бренд дарит…».
• Цифры, даты, валюты пишите словами, если важна форма: «до пятидесяти процентов», «двадцать пятого мая».

Настройки моделей

• stability: ниже — выразительнее, но шире разброс между дублями; выше — ровнее. Диктор 0.6–0.7, эмоциональная реклама 0.3–0.4.
• Если передать v4 speed или style, ядро остановится с ошибкой, а не будет молча их игнорировать: API такие поля принимает, но на звук они не влияют.
• v4 отдаёт звук на 2–5 LUFS тише v3. say и dialogue выравнивают громкость до −16 LUFS (нужен ffmpeg); отключается --no-normalize. Видеопайплайны нормализуют звук сами на миксе.
• --seed N даёт повторяемый дубль. --previous-text и --next-text передают соседний текст, чтобы на стыках сцен не менялась интонация.
• --language ru|kk|en… — только при сбоях языка. v4 говорит на языке текста без акцента эталона голоса.
• Если у конкретного проекта голос звучит лучше на другой модели — закрепите это в его брифе и передавайте --model явно.

Голоса

Личный реестр: ~/.config/media-skills/voices.json (или ELEVENLABS_VOICES_FILE), формат алиас → voice_id. setup.py кладёт туда пример с двумя общедоступными голосами библиотеки ElevenLabs (narrator, host). Замените их своими:

"$PY" "$SKILL/scripts/eleven.py" voices --account            # что есть в аккаунте
"$PY" "$SKILL/scripts/eleven.py" voices --add brand_voice ID  # записать алиас
"$PY" "$SKILL/scripts/eleven.py" voices --check               # все ID живы

Вместо алиаса можно передать voice_id напрямую (--voice 21m00Tcm4TlvDq8ikWAM). Реестр личный и в git не попадает.

Создание голосов:

• Voice Design (scripts/voice_design.py): по текстовому описанию (по-английски точнее) делает 3 превью, сохраняет mp3 + previews.json. Отдельной модели дизайна под v4 нет (eleven_multilingual_ttv_v2, eleven_ttv_v3), но созданный голос работает в v4. По документации ElevenLabs голоса Voice Design в v4 звучат менее живо, чем клоны и голоса библиотеки: перед продакшеном прослушать и сравнить с готовым голосом из библиотеки. Сохранить выбранный: voice_design.py --create-voice <generated_voice_id> --name "Warm host" --description "…" --alias warm_host.
• Клон (IVC): v4 даёт хорошее качество уже от 10 секунд, но лучше 1–2 минуты чистой записи в одной манере. v4 копирует и шумы исходника. Чистую речь клонируйте без --remove-noise (на чистой записи шумоподавление портит голос); запись под музыкой — сначала через Voice Isolator или с --remove-noise, а если музыка всё равно слышна, такую запись в клон не берите. Клонировать можно только свой голос или голос с письменного согласия владельца. Команда: eleven.py voices --clone алиас запись1.mp3 [запись2.m4a …] [--name "Имя"] [--remove-noise] — создаёт голос в аккаунте (нужен платный тариф ElevenLabs, символы не тратит, занимает слот голоса) и пишет его в реестр. Голосовое из Telegram (ogg) подходит как есть. После клона — одна короткая проба say и прослушать.
• PVC: поддерживается; чтобы голос дообучился под v4, в My Voices нажмите «+» напротив Eleven v4.

Деньги и защита от лишних трат

• v4 стоит около $0.08 за 1000 символов (как v3), turbo — $0.04; цены и скидки смотрите на elevenlabs.io/pricing.
• Каждый платный запрос пишется в журнал ~/.local/share/elevenlabs-voice/ledger.jsonl ДО отправки (статус started), затем success / failed / unknown_billed.
• Ядро никогда не повторяет платный запрос автоматически. unknown_billed (таймаут, обрыв, 5xx) — сначала проверить History в кабинете ElevenLabs, только потом новая попытка. Кэш озвучки в motion-video резервирует дубль до вызова.
• Лимиты: 10 000 символов на запрос в v4 (у v3 — 5 000); диалог — до 2 000 символов и до 10 голосов на запрос. Длинный текст режьте по абзацам и передавайте --previous-text / --next-text.

Проверка результата

1. Файл непустой, длительность правдоподобна: ffprobe -show_entries format=duration o.mp3.
2. Не пропали ли слова и не прочитаны ли теги вслух: --timings + сравнение со сценарием, или ASR (в motion-video: voice.py asr file.mp3 --text script.txt, платный OpenAI, копейки).
3. Интонацию и ударения распознавание не проверяет: важную озвучку отдавайте человеку на прослушивание и честно говорите, если сами не слушали.

Ключ и ссылки

• ELEVEN_API_KEY — из окружения или ~/.config/media-skills/elevenlabs-voice.env. Значение нигде не печатается.
• Документация: https://elevenlabs.io/docs/overview/capabilities/text-to-speech · промптинг v4: https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices
• Связанные скиллы: motion-video (ролики с озвучкой), image-gen (картинки).