Как озвучить текст нейросетью: голоса, эмоции и цены

Нейросети уже озвучивают текст так, что на слух трудно отличить от диктора: с паузами, интонацией, смехом и шёпотом. Мы взяли один и тот же текст, озвучили его в трёх моделях и четырьмя голосами, проверили результат расшифровкой и посчитали цены. Все записи ниже можно послушать прямо в статье.

Коротко: больше всего возможностей для русского текста даёт ElevenLabs v4 (50 голосов, теги эмоций и диалоги), а если нужно много и недорого, берите MiniMax Speech 2.8 или Grok Voice. Все примеры сделаны в разделе «Озвучка» в BigGPT, цены указаны на 20 октября 2026 года. Все модели и голоса с ценами собраны на странице озвучка текста онлайн.

Главное за минуту

• Качество. Все три модели прочитали наш текст без единой ошибки: мы проверили это расшифровкой.
• Выбор голосов. У ElevenLabs v4 50 русских голосов, восемь казахских и ещё английские и японские. У MiniMax четыре русских голоса, у Grok Voice пять универсальных.
• Эмоции. ElevenLabs v4 понимает теги в квадратных скобках: [шёпотом], [смеётся], [восторженно], [пауза].
• Диалоги. До 10 реплик разными голосами в одной озвучке.
• Цена. От 8,10 ₽ (Grok Voice) до 43,20 ₽ (ElevenLabs v4) за 1000 знаков. Минута речи обходится примерно от 6,5 до 35 ₽.

Как мы сравнивали

Взяли короткий текст на 173 знака с названием города, буквой «ё» и длинным предложением, где легко сбиться с интонации.

Осень в Алматы начинается незаметно. Утром ещё тепло, а к вечеру с гор спускается прохлада, и город пахнет яблоками и дождём. Самое время для долгой прогулки и горячего чая.

Каждая модель озвучила его один раз, без повторов и ручной правки. Потом мы склеили записи и расшифровали их моделью ElevenLabs Scribe v2, чтобы проверить, все ли слова звучат разборчиво. Все четыре озвучки распознались слово в слово. Единственная мелочь: в записи Grok Voice расшифровка услышала «Алма-Аты» вместо «Алматы», то есть ударение и слитность там чуть другие.

Послушайте: один текст, четыре голоса

Модель	Русских голосов	Теги и диалоги	Цена за 1000 знаков	Наш текст, 173 знака
ElevenLabs v4	50	Да	43,20 ₽	7,47 ₽
ElevenLabs v4 Turbo	50	Да	21,60 ₽	3,74 ₽
MiniMax Speech 2.8 HD	4	Нет	21,60 ₽	3,74 ₽
MiniMax Speech 2.8 Turbo	4	Нет	12,96 ₽	2,24 ₽
Grok Voice	5 универсальных	Нет	8,10 ₽	1,40 ₽

ElevenLabs v4 вышла 28 сентября 2026 года, и сама ElevenLabs называет её своей самой выразительной моделью: она лучше прежних версий слушается тегов и подсказок, как читать текст. Версия Turbo вдвое дешевле и работает быстрее, голоса у неё те же. Сайт ElevenLabs из России не открывается, компания сама закрыла доступ, а в BigGPT голоса ElevenLabs работают без VPN и с оплатой в рублях.

Эмоции и паузы: теги в квадратных скобках

В ElevenLabs v4 интонацией можно управлять прямо в тексте. Тег в квадратных скобках подсказывает модели, как прочитать следующую фразу. Сам тег вслух не произносится.

[шёпотом] Тише, он уже идёт. [пауза] [восторженно] С днём рождения! [смеётся] Ну что, не ожидал?

Расшифровка этой записи сама отметила смех, а шёпот выделила в отдельный кусок: модель действительно сменила подачу. В BigGPT теги можно вставлять кнопкой «Тег» или писать вручную по-русски:

• Эмоции: радостно, грустно, восторженно, сердито, игриво, устало, саркастично, с любопытством, нервно.
• Звуки: смеётся, усмехается, вздыхает, откашливается, зевает, ахает, напевает, тяжело дышит.
• Подача: шёпотом, мягко, медленно, быстро, кричит, поёт, пауза.

Не ставьте теги в каждое предложение: два-три на абзац звучат естественно, а больше превращают речь в спектакль.

Диалог на несколько голосов

Для подкаста, рекламного ролика или сценки не нужно склеивать записи вручную. Нажмите «Добавить говорящего», и у каждой реплики будет свой голос. В одном диалоге до 10 реплик, теги в них тоже работают.

По словам ElevenLabs, v4 учитывает всю сцену, а не одну фразу, поэтому собеседники отвечают друг другу с нужной интонацией, а не звучат как два диктора, которые читают по очереди.

Озвучка на казахском

В ElevenLabs v4 есть восемь казахских голосов: женские Айжан и Айгерим и мужские Нурлан, Серик, Болат, Бекзат, Ерлан и Айдос. Мы озвучили короткий текст голосом Айжан и тоже проверили расшифровкой: модель распознала казахский язык и вернула текст слово в слово.

Сәлеметсіз бе! Бүгін Алматыда күн жылы, кешке қарай таудан салқын жел соғады. Серуендеуге тамаша уақыт.

Grok Voice тоже понимает казахский, но говорит на нём своими пятью универсальными голосами. У MiniMax казахского нет.

Сколько стоит озвучка

Цена считается за знаки текста вместе с пробелами и тегами. В нашем тесте на минуту речи пришлось около 800 знаков, от этого и считаем.

Модель	1000 знаков	Минута речи	Ролик на 10 минут (8000 знаков)
ElevenLabs v4	43,20 ₽	≈ 34,60 ₽	345,60 ₽
ElevenLabs v4 Turbo	21,60 ₽	≈ 17,30 ₽	172,80 ₽
MiniMax Speech 2.8 HD	21,60 ₽	≈ 17,30 ₽	172,80 ₽
MiniMax Speech 2.8 Turbo	12,96 ₽	≈ 10,40 ₽	103,68 ₽
Grok Voice	8,10 ₽	≈ 6,50 ₽	64,80 ₽

Подписки нет: платите только за озвученные знаки, а точная сумма видна на кнопке «Создать» до запуска. За одну озвучку можно получить до четырёх вариантов одного текста, каждый оплачивается отдельно.

Как озвучить текст в BigGPT

1. Откройте раздел «Озвучка» и вкладку «Озвучка».
2. Нажмите на имя голоса и выберите голос в библиотеке. Там есть фильтры по полу, языку и назначению, а примеры можно послушать до выбора.
3. Вставьте текст, до 5000 знаков. Если текста нет, кнопка «Написать» поможет его составить.
4. Добавьте теги кнопкой «Тег» или реплики кнопкой «Добавить говорящего».
5. Выберите модель и число вариантов, при желании откройте «Дополнительные настройки»: стабильность и сходство с исходным голосом.
6. Нажмите «Создать». Готовую озвучку можно послушать в истории, скачать в MP3 или отправить ссылкой.

Как сделать речь живой

• Пишите числа и сокращения словами. «В две тысячи двадцать шестом году», а не «в 2026 г.»: так модель не ошибётся с падежом.
• Расставляйте знаки препинания. Запятая даёт короткую паузу, точка длинную, многоточие задумчивую.
• Ставьте букву «ё». «Всё» и «все» звучат по-разному, и модель не всегда угадывает сама.
• Режьте длинные предложения. Два коротких предложения звучат естественнее одного на три строки.
• Проверяйте на кусочке. Озвучьте первый абзац в двух-трёх голосах, выберите лучший и только потом запускайте весь текст.

Свой голос и смена голоса

Если нужен не диктор из библиотеки, а ваш собственный голос, запишите 10–30 секунд речи и создайте голос. Перед этим нужно подтвердить, что голос принадлежит вам. Создание бесплатное, озвучивают своим голосом модели Fish Audio S2.1 Pro и Seed Audio 1.0. Голос хранится 30 дней с последней озвучки, потом удаляется вместе с записью.

На соседних вкладках того же раздела есть «Смена голоса», которая переозвучивает готовую запись другим голосом, и «Перевод», который переводит ролик на другой язык, озвучивает и подгоняет движение губ. А если нужно наоборот, превратить запись в текст, откройте «Аудио в текст».

Какую модель выбрать

• Реклама, ролики, аудиокниги, подкасты: ElevenLabs v4. Больше всего голосов, теги эмоций и диалоги.
• Длинные тексты, где важна цена: ElevenLabs v4 Turbo или MiniMax Speech 2.8 Turbo.
• Озвучка на казахском: ElevenLabs v4 с казахскими голосами.
• Черновики и служебные озвучки: Grok Voice, самая дешёвая модель.
• Ваш собственный голос: Fish Audio S2.1 Pro или Seed Audio 1.0.

Начните с короткого абзаца в двух голосах: это стоит несколько рублей и сразу показывает, какой голос подходит именно вашему тексту.