Озвучка рекламного видеокреатива (TTS)
Видеокреатив без голоса не работает, а нанимать диктора на каждый тест оффера дорого и медленно. Современные TTS-модели закрывают задачу за секунды, но у них есть особенность, из-за которой большинство озвучек уходит в брак с первого раза.
Главная проблема: модель «редактирует» ваш сценарий
TTS-модель — это языковая модель, а не диктофон. Получив длинный сценарий, она склонна вести себя как редактор: пропускать предложения, которые кажутся ей повторами, объединять похожие фразы, перефразировать формулировки и иногда обрывать запись, не дочитав до конца.
Для рекламы это критично. Если модель «оптимизировала» фразу про вид на море или проглотила предложение с условиями рассрочки, ролик придётся перезаписывать, а при потоковой генерации креативов брак заметят уже после монтажа. Поэтому блок запретов в промте занимает столько же места, сколько описание голоса, и стоит первым.
Второй по важности блок — темп. Настройка по умолчанию у большинства моделей ближе к аудиокниге: спокойное чтение на 140–160 слов в минуту. Для рекламы это медленно, зритель уходит. Рабочий диапазон коммерческого ролика — 210–250 слов в минуту, и его нужно задавать явно, цифрой.
Пример промта
You are a professional voice actor recording a premium real estate commercial.
IMPORTANT:
Read the script exactly as written from beginning to end. Do not skip, shorten, merge, paraphrase, improvise, or repeat any words, phrases, or sentences. Every sentence in the script must be spoken once and in the original order. Do not omit any part of the text, even if it seems repetitive or similar to previous sentences.
Speak in [ЯЗЫК ОЗВУЧКИ].
Voice characteristics:
* warm, confident and trustworthy;
* premium, elegant delivery;
* natural human speech with realistic breathing;
* Fast commercial pace (approximately 210–250 words per minute), confident, dynamic and engaging, with brief natural pauses only where necessary for clarity.
* calm, conversational intonation without sounding like a TV announcer;
* slight emotional lift when talking about the sea, investment benefits and residence permit;
* emphasize key numbers: 36 months, 20%, residence permit for the whole family.
Technical requirements:
* no background music;
* no sound effects;
* natural pauses between sentences;
* avoid monotone reading;
* sound like a luxury real estate consultant rather than a salesperson.
* ensure that every sentence from the provided script is fully narrated exactly once before finishing the recording.Где запускать
Модель — google/gemini-3.1-flash-tts, я гоняю её через Replicate. Регистрация занимает минуту, оплата по факту генерации, ключ от Google получать не нужно.
Текст выше идёт в поле системной инструкции, сам сценарий — отдельным полем следом. Не склеивайте их в один блок: модель тогда начинает воспринимать инструкции как часть текста для озвучки и может проговорить их вслух.
У Replicate есть API, поэтому при потоковой генерации креативов вызов ставится в скрипт — как это собрать без опыта программирования, разобрано в курсе по вайбкодингу.
В поле [ЯЗЫК ОЗВУЧКИ] подставляйте язык на английском или в самоназвании: Russian, Srpski, Turkish, English. Саму инструкцию оставляйте на английском, даже когда озвучка идёт на русском, — смешанный промт модель понимает хуже.
Разбор блоков
| Блок | Что делает | Почему без него ломается |
|---|---|---|
| Роль актёра озвучки | Задаёт регистр подачи | Без роли модель читает нейтрально, как навигатор |
| IMPORTANT с запретами | Запрещает пропуски, слияния, перефраз и повторы | Главная причина брака: модель «улучшает» сценарий |
| Язык | Фиксирует язык озвучки | При многоязычном сценарии модель может переключиться сама |
| Характеристики голоса | Тембр, дыхание, интонация | Без них монотонное чтение без пауз на дыхание |
| Темп цифрой | 210–250 слов в минуту | По умолчанию модель читает в темпе аудиокниги |
| Эмоциональный подъём | Указывает, где усилить подачу | Ровная эмоция по всему ролику не удерживает внимание |
| Акценты на числах | Выделяет 36 месяцев, 20%, ВНЖ | Цифры оффера проговариваются вскользь и не запоминаются |
| Технические требования | Убирает музыку и эффекты | Модель иногда добавляет подложку, ломая монтаж |
| Финальная строка про «exactly once» | Дублирует запрет на пропуски в конце | Длинные инструкции размываются, повтор в конце снижает брак |
Как адаптировать под свою нишу
Промт написан под премиальную недвижимость, но переносится куда угодно — меняются три места.
Роль и тон. premium real estate commercial заменяется на вашу категорию, а luxury real estate consultant rather than a salesperson — на нужный образ. Для медицины это «врач, который объясняет», для авто — «эксперт, который уже всё протестировал».
Точки эмоционального подъёма. Строка про the sea, investment benefits and residence permit перечисляет то, что в вашем оффере вызывает желание. Формулируйте предметно: не «преимущества», а конкретные вещи, о которых говорит сценарий.
Числа под акцент. Блок emphasize key numbers — это ваш оффер в цифрах. Перечисляйте их дословно так, как они звучат в сценарии, иначе модель не сопоставит указание с текстом.
Проверка результата
Не принимайте озвучку на слух — сравнивайте по тексту. Прогоните готовое аудио через любую распознавалку речи и сверьте расшифровку со сценарием: пропуск одного предложения на слух легко не заметить, особенно в длинном ролике на чужом языке. Считайте предложения — их количество в расшифровке должно совпадать с исходником.
Если модель всё равно пропускает фрагменты, разбейте сценарий на части по 3–4 предложения и склейте дорожки на монтаже. Чем короче фрагмент, тем меньше у модели соблазна его сократить.
Каким должен быть сам ролик
Лучше всего работает ролик на 30 секунд, собранный максимально просто: видеоряд, закадровая озвучка и титры по центру кадра. Никаких переходов, анимаций текста, зумов и прочих спецэффектов — они не добавляют конверсии, зато удорожают производство и мешают быстро тестировать новые офферы.
Титры ставьте именно по центру, а не внизу. Значительная часть аудитории смотрит без звука, и текст внизу кадра перекрывается интерфейсом площадки: в Reels и Shorts там описание, кнопки и никнейм автора. Центр остаётся читаемым во всех плейсментах.
Хронометраж напрямую связан с темпом озвучки из промта выше. На 210–250 словах в минуту в 30 секунд помещается примерно 105–125 слов — это и есть рабочий объём сценария. Если текст длиннее, ролик придётся ускорять или резать, и обычно страдает та часть, где проговариваются условия оффера.
Три формата сразу
Сводите ролик в трёх соотношениях: 1:1 (квадрат), 9:16 (вертикаль) и 16:9 (горизонталь). Один формат, растянутый на все плейсменты, теряет края кадра или получает чёрные полосы, а это прямо бьёт по показателям: обрезанные титры не читаются, а полосы снижают охват в вертикальных лентах.
Планируйте это до съёмки и монтажа, а не после. Держите значимое в безопасной зоне по центру кадра — так один исходник режется во все три формата без перекомпоновки. Озвучка при этом одна на все три версии: перегенерировать аудио под каждый формат не нужно.