Голосовая озвучка — ElevenLabs, TTS стек, голосовой контент

Модуль: Content Factory AI | Время: ~25 мин теории + 35 мин практики

Суть урока

Голос диктора — отдельная статья расходов: расписание, студия, ставка за час. Платформа синтеза речи тарифицируется иначе: плата за объём (кредиты в месяц), и на длинных текстах разница заметная (актуальные тарифы: Актуальное сейчас). Claude пишет скрипт (сценарий или программный код), ElevenLabs озвучивает, FFmpeg склеивает видео. Без диктора, без студии, без расписания. Один раз настроил пайплайн (цепочка последовательных шагов) — дальше фабрика работает сама.

🎨 Образ: голосовой актёр — как таксист: ты платишь за каждую поездку. TTS (ти-ти-эс, Text-to-Speech — синтез речи из текста) пайплайн — как собственная машина: купил один раз, ездишь сколько хочешь. И каждая следующая поездка стоит копейки.

Ключевые концепции

• TTS (Text-to-Speech) — технология синтеза речи из текста
• Voice cloning — клонирование голоса (создание AI-копии голоса), цифровой клон твоего голоса из образца
• ElevenLabs — одна из ведущих коммерческих платформ TTS
• ElevenLabs MCP (эм-си-пи — протокол контекста модели) — прямая интеграция с Claude Code: размещённый сервер с входом через OAuth или локальный сервер
• Eleven v4 — новая модель ElevenLabs (28.09.2026): больше управления интонацией, 90+ языков; ранее основной была Multilingual v2
• Kokoro TTS — open source альтернатива для офлайн-озвучки (русский язык не поддерживается)
• TTS пайплайн — Claude пишет скрипт → TTS озвучивает → FFmpeg собирает видео

Теория

Зачем TTS в AI-стеке — вопрос масштаба

Озвучка — последний ручной шаг в производстве контента. Claude пишет текст автоматически, изображения генерирует Midjourney, видео собирает FFmpeg. Но диктор всё ещё живой человек с расписанием и ценником.

TTS закрывает этот пробел.

Три сценария где TTS меняет экономику:

Сценарий 1: YouTube канал на масштабе

Один диктор озвучивает 4-5 видео в неделю — физический предел. С TTS это 20-30 видео, одинакового качества, в одно ночное окно. Голос всегда в одном настроении, никогда не устаёт, не просит переснять.

Сценарий 2: Локализация

Перевод видео на 10 языков с живым диктором — это 10 дикторов и 10 расписаний. С Eleven v4 тот же голос звучит на десятках языков (90+ по данным ElevenLabs на октябрь 2026), а сам пайплайн занимает часы. Произношение и перевод перед публикацией проверяет носитель языка.

Сценарий 3: Аудиокниги и подкасты

Книга на 80 000 слов у диктора — 8-10 часов записи плюс монтаж. Синтез тратит кредиты тарифа: посчитай число символов рукописи и сравни с лимитом тарифа (актуальные цены: Актуальное сейчас). Claude читает рукопись, улучшает для восприятия на слух, ElevenLabs озвучивает главами.

ElevenLabs — устройство и ценообразование

ElevenLabs — одна из самых известных платформ профессионального TTS.

Что внутри (на октябрь 2026):

Тарифы на октябрь 2026 (актуальные цены: Актуальное сейчас и страница тарифов ElevenLabs):

Расход кредитов зависит от модели и длины текста: посчитай его на коротком тесте и умножь на свой объём. На бесплатном тарифе коммерческой лицензии нет, для клиентских проектов нужен платный.

Voice Cloning: фотография голоса

Voice cloning (клонирование голоса) — создание цифрового клона голоса из аудио образца. После клонирования система синтезирует речь с теми же тембром, интонацией и ритмом.

🎨 Образ: клонирование голоса — как фотография. Ты один раз садишься перед камерой — и потом твоё изображение можно напечатать тысячи раз. Голос записывается один раз — озвучивается бесконечно.

Требования к образцу:

• Быстрый клон: короткий образец чистой речи (ElevenLabs заявляет клон по 10 секундам записи для Eleven v4). Чем чище и разнообразнее запись, тем лучше результат
• Профессиональный клон: заметно более длинная запись (точные требования смотри в справке ElevenLabs)
• Формат: WAV или MP3, без фоновых шумов
• Без музыки, без других голосов, без эха

Инструкция по быстрому клонированию:

1. Зайди на elevenlabs.io → раздел Voices → добавить голос → быстрый клон (нужен тариф Starter или выше)
2. Загрузи аудио файл
3. Дай голосу название (например "MyVoice_RU")
4. Подтверди, что голос твой или что у тебя есть разрешение его владельца
5. Дождись обработки и скопируй Voice ID из настроек голоса

После клонирования голос доступен через API. Voice ID нужен для всех запросов.

Важно: ElevenLabs требует согласия владельца голоса на клонирование. Не клонируй голоса без разрешения — это нарушает ToS (Terms of Service — условия использования) и законодательство многих стран.

Базовый пример: Claude пишет скрипт, ElevenLabs озвучивает

from elevenlabs.client import ElevenLabs
import anthropic
import os

anthropic_client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
eleven = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

# Шаг 1: генерируем скрипт через Claude
response = anthropic_client.messages.create(
    model="claude-sonnet-5-5",  # актуальные идентификаторы моделей: документация Anthropic
    max_tokens=1000,
    messages=[{
        "role": "user",
        "content": (
            "Напиши 60-секундный скрипт для рекламы услуг AI-консультанта. "
            "Тон: профессиональный, уверенный, без пустых обещаний. "
            "Примерно 150-160 слов. Только текст для озвучки, без ремарок."
        )
    }]
)

script = "".join(b.text for b in response.content if b.type == "text")
print(f"Скрипт ({len(script.split())} слов):\n{script}\n")

# Шаг 2: озвучиваем через ElevenLabs
audio = eleven.text_to_speech.convert(
    text=script,
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # голос из примера документации; свой Voice ID бери в разделе Voices
    model_id="eleven_v4",             # модель на октябрь 2026; актуальные имена моделей смотри в документации
    output_format="mp3_44100_128",
)

with open("ad-script.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)
print("Файл сохранён: ad-script.mp3")

Установка:

pip install elevenlabs anthropic

Переменные окружения:

export ANTHROPIC_API_KEY="sk-ant-..."
export ELEVENLABS_API_KEY="sk_..."

ElevenLabs MCP — озвучка прямо из Claude Code

ElevenLabs предлагает официальные MCP серверы. На октябрь 2026 рекомендуемый вариант — размещённый сервер: ничего не нужно ставить на компьютер, вход через OAuth. Прежний локальный сервер в репозитории ElevenLabs помечен как устаревший. После подключения Claude может озвучивать текст, выбирать голоса и сохранять файлы прямо из чата, без Python скриптов (программных кодов).

Подключение:

# Размещённый сервер ElevenLabs (рекомендуется; вход через OAuth, ключ API не нужен)
claude mcp add --transport http elevenlabs https://api.elevenlabs.io/v1/mcp
# потом внутри Claude Code: /mcp и пройти вход

# Прежний локальный сервер (в репозитории помечен как устаревший; нужен uv и ключ API в окружении)
claude mcp add elevenlabs --env ELEVENLABS_API_KEY=ваш_ключ -- uvx elevenlabs-mcp

Или через .mcp.json (локальный сервер):

{
  "mcpServers": {
    "elevenlabs": {
      "command": "uvx",
      "args": ["elevenlabs-mcp"],
      "env": {
        "ELEVENLABS_API_KEY": "${ELEVENLABS_API_KEY}"
      }
    }
  }
}

После подключения Claude получает инструменты (набор зависит от сервера, точный список смотри на elevenlabs.io/mcp и в репозитории сервера):

• Синтез речи по тексту
• Клонирование голоса и работа с голосами
• Транскрипция, очистка звука, преобразование речи в речь
• Генерация звуковых ландшафтов и музыки

Пример запроса в чате:

Озвучь следующий текст одним из доступных голосов и сохрани в файл intro.mp3:

"Добро пожаловать на урок про озвучку.
За следующие десять минут ты соберёшь первый пайплайн:
сценарий, голос и готовый аудиофайл."

Claude вызовет MCP инструмент и сохранит файл без дополнительного кода.

Бесплатные альтернативы — когда ElevenLabs избыточен

OpenAI TTS — API идентичен другим OpenAI endpoints (конечным точкам API), 13 встроенных голосов, русский язык поддерживается (по документации OpenAI). Нет клонирования собственного голоса. Подходит, когда уже используешь OpenAI.

import openai, os

client = openai.OpenAI(api_key=os.environ["OPENAI_API_KEY"])

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",    # tts-1 и tts-1-hd — более ранние модели
    voice="coral",              # одна из встроенных голосов, список в документации OpenAI
    input="Текст для озвучки здесь",
    instructions="Говори спокойно и дружелюбно.",
) as response:
    response.stream_to_file("output.mp3")

Kokoro TTS — open source, работает локально, веса под лицензией Apache 2.0. Качество ниже ElevenLabs, но бесплатно и без отправки данных в облако. Важно: по README проекта Kokoro поддерживает американский и британский английский, испанский, французский, хинди, итальянский, японский, бразильский португальский и китайский. Русского языка нет, поэтому для русскоязычной озвучки Kokoro не подойдёт.

pip install "kokoro>=0.9.4" soundfile

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code="a")  # "a" — американский английский; русского языка нет
generator = pipeline("Text for local voiceover", voice="af_heart")
for i, (_, _, audio) in enumerate(generator):
    sf.write(f"output-{i}.wav", audio, 24000)

macOS say — встроен в каждый Mac, бесплатный, работает офлайн. Качество роботизированное, но для прототипов и тестирования — идеально.

# Базовая озвучка
say "Привет, это тестовая озвучка"

# С сохранением в файл
say -v "Milena" -o output.aiff "Текст для озвучки"

# Конвертация в MP3 через ffmpeg
say -v "Milena" -o /tmp/output.aiff "Текст" && \
ffmpeg -i /tmp/output.aiff output.mp3 -y -loglevel error

# Список доступных голосов на русском
say -v "?" | grep ru

YouTube пайплайн с TTS озвучкой

Полный скрипт: тема видео на входе, готовый MP4 (видеофайл) на выходе.

#!/usr/bin/env bash
# tts-video-pipeline.sh
# Использование: ./tts-video-pipeline.sh "Тема видео" background.jpg
set -euo pipefail

TOPIC="$1"
BACKGROUND="${2:-background.jpg}"
OUTPUT_DIR="./output"
mkdir -p "$OUTPUT_DIR"

echo "Тема: $TOPIC"

# Шаг 1: Claude пишет скрипт (через claude CLI)
echo "Пишу скрипт..."
SCRIPT=$(claude -p "Напиши 3-минутный YouTube скрипт на тему: $TOPIC.
Тон: разговорный, конкретный, без клише.
Длина: 400-450 слов. Только текст для диктора, без ремарок и заголовков.")

echo "$SCRIPT" > "$OUTPUT_DIR/script.txt"
echo "Скрипт: $(echo "$SCRIPT" | wc -w) слов"

# Шаг 2: ElevenLabs озвучивает
echo "Озвучиваю..."
python3 << PYEOF
from elevenlabs.client import ElevenLabs
import os

client = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

with open("$OUTPUT_DIR/script.txt", encoding="utf-8") as f:
    text = f.read()

audio = client.text_to_speech.convert(
    text=text,
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # голос из примера документации, замени на свой Voice ID
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)

with open("$OUTPUT_DIR/voiceover.mp3", "wb") as out:
    for chunk in audio:
        out.write(chunk)
print("Озвучка готова")
PYEOF

# Шаг 3: FFmpeg создаёт видео
echo "Собираю видео..."
DURATION=$(ffprobe -v error -show_entries format=duration \
    -of csv=p=0 "$OUTPUT_DIR/voiceover.mp3" | awk '{print int($1+1)}')

ffmpeg \
    -loop 1 -i "$BACKGROUND" \
    -i "$OUTPUT_DIR/voiceover.mp3" \
    -c:v libx264 -tune stillimage \
    -c:a aac -b:a 192k \
    -pix_fmt yuv420p \
    -t "$DURATION" \
    "$OUTPUT_DIR/video.mp4" \
    -y -loglevel error

echo "Готово: $OUTPUT_DIR/video.mp4 (${DURATION}с)"

Запуск:

chmod +x tts-video-pipeline.sh
./tts-video-pipeline.sh "Как работает RAG в Claude" background.jpg

Голосовой дневник и подкаст за 5 минут

Говоришь вслух свои мысли → Whisper (STT — эс-ти-ти, Speech-to-Text — распознавание речи в текст) транскрибирует → Claude редактирует для слуха → ElevenLabs озвучивает профессионально.

import whisper
import anthropic
from elevenlabs.client import ElevenLabs
import os

# Модели
whisper_model = whisper.load_model("small")
claude = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
eleven = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

def voice_to_podcast(audio_file: str, output_file: str = "podcast.mp3"):
    """
    audio_file: запись голоса (WAV/MP3)
    output_file: готовый подкаст-эпизод
    """

    # Шаг 1: транскрибируем голосовую заметку
    print("Транскрибирую...")
    result = whisper_model.transcribe(audio_file, language="ru")
    raw_text = result["text"]
    print(f"Транскрибация ({len(raw_text.split())} слов): {raw_text[:100]}...")

    # Шаг 2: Claude редактирует для восприятия на слух
    print("Редактирую...")
    response = claude.messages.create(
        model="claude-sonnet-5-5",  # актуальные идентификаторы моделей: документация Anthropic
        max_tokens=2000,
        messages=[{
            "role": "user",
            "content": (
                "Это транскрибация устной речи. Отредактируй для подкаста:\n"
                "- Убери слова-паразиты (э-э, ну, значит, вот)\n"
                "- Исправь обрывы фраз\n"
                "- Сохрани разговорный тон и структуру мысли\n"
                "- Не добавляй ничего нового — только редактирование\n\n"
                f"Текст:\n{raw_text}"
            )
        }]
    )
    edited_text = "".join(b.text for b in response.content if b.type == "text")

    # Шаг 3: ElevenLabs озвучивает профессионально
    print("Озвучиваю...")
    audio = eleven.text_to_speech.convert(
        text=edited_text,
        voice_id="JBFqnCBsd6RMkjVDRZzb",  # голос из примера документации, замени на свой Voice ID
        model_id="eleven_v4",
        output_format="mp3_44100_128",
    )
    with open(output_file, "wb") as out:
        for chunk in audio:
            out.write(chunk)

    print(f"Подкаст готов: {output_file}")
    return edited_text

# Запуск
edited = voice_to_podcast("my-thoughts.wav", "podcast-ep01.mp3")
print("\nОтредактированный текст сохранён в podcast-ep01-script.txt")
with open("podcast-ep01-script.txt", "w", encoding="utf-8") as f:
    f.write(edited)

Услуги на основе TTS

TTS — не только инструмент для себя. Это основа трёх видов услуг. Цен здесь нет намеренно: цену услуги считай по уроку Как назначить цену, доход никто не гарантирует.

Вариант 1: Озвучка книг и курсов

Клиент приносит рукопись, ты отдаёшь аудио по главам. Claude редактирует текст для слуха, ElevenLabs озвучивает. Себестоимость считается по кредитам: число символов рукописи против кредитов тарифа. Нужны платный тариф с коммерческой лицензией и подтверждённые права клиента на текст.

Идея: десятки часов работы диктора заменяются несколькими часами твоего пайплайна. Качество проверяй на слух: ошибки ударений и имён собственных остаются за тобой.

Вариант 2: Локализация контента

Блогер или бизнес хочет перевести видеокурс на несколько языков. Ты используешь Eleven v4 с тем же голосом. Перевод и произношение проверяет носитель языка, иначе ошибки уйдут в публикацию.

Вариант 3: TTS SaaS (Software-as-a-Service — программное обеспечение как услуга) для малого бизнеса

Риэлторы, репетиторы, малый бизнес — все записывают объявления и презентации голосом. Можно обернуть API ElevenLabs в простой веб-интерфейс: загрузил текст → выбрал голос → скачал MP3. Перед запуском проверь условия API ElevenLabs на перепродажу и коммерческое использование, а себестоимость посчитай по уроку Сколько стоит клиент и сколько он приносит.

Практика

1. Зарегистрируйся на elevenlabs.io → получи API ключ (Free план — бесплатный тариф достаточен для старта)

2. Установи зависимости:

   pip install elevenlabs anthropic

3. Запусти базовый скрипт "Claude пишет → ElevenLabs озвучивает" из раздела теории. Послушай результат.

4. Клонируй свой голос (нужен тариф Starter или выше): запиши 60 секунд чёткой речи (читай любой текст), загрузи на ElevenLabs в разделе Voices (быстрый клон). Замени voice_id в коде на свой Voice ID.

5. Создай файл tts-video-pipeline.sh, сделай исполняемым, запусти с любой темой. Проверь итоговый MP4.

6. (Продвинуто) Установи Kokoro TTS локально, озвучь английский текст — сравни с ElevenLabs (русский язык Kokoro не поддерживает). Запомни разницу в качестве.

Инструменты и ресурсы

• ElevenLabs — регистрация, API ключ, клонирование голоса
• ElevenLabs API Docs — полная документация
• ElevenLabs MCP — размещённый MCP сервер; прежний локальный: elevenlabs-mcp
• OpenAI TTS — альтернатива, 13 встроенных голосов
• Kokoro TTS — open source (открытый исходный код), офлайн, без русского языка
• OpenAI Whisper — для STT части пайплайна
• Цены и версии: Актуальное сейчас

Ключевые выводы

TTS — последний ручной шаг в контент-пайплайне. ElevenLabs его закрывает. Один голос → много видео, 90+ языков у Eleven v4, без студии.

Voice cloning = короткий образец → бесконечная озвучка. Записал один раз — твой голос работает без тебя, пока у тебя есть разрешение владельца голоса.

Услуги на TTS (озвучка книг, локализация, TTS SaaS) считай по себестоимости: кредиты тарифа, твоё время, проверка носителем языка. Цены и доход никто не гарантирует.

Бесплатный стек для старта: macOS say для тестов, Kokoro TTS для офлайн-прототипов на английском, ElevenLabs Free (10 000 кредитов в месяц, без коммерческой лицензии) для первых экспериментов.

Следующий урок

→ Музыка через AI — Suno и звуковой дизайн — фоновая музыка, джинглы и звуковые эффекты для видео и подкастов