Spousta lidí si článek nebo návod radši pustí do sluchátek cestou do práce, než aby si na něj sedla a četla. A přesto většina takových nahrávek nikdy nevznikne – ne proto, že by autor neuměl číst nahlas, ale proto, že mezi ním a hotovým audiem stojí hodina mechanické, otravné práce. A právě ta hodina skoro pokaždé vyhraje.
Znám to zevnitř, protože přesně tohle jsem roky odkládal. Půl deváté večer, mikrofon a text sotva na dvacet minut. Po třetí větě se přeřeknu, po desáté mi dojde dech. Než se dohrabu k poslední tečce, hodina je pryč – a pořád mě čeká sestříhat všechny ty zakoktané pasáže, co jsem nasekal doprostřed vět. Jenže věta rozseknutá vejpůl už nikdy nezní celá, ať ji slepíte sebepečlivěji.
Nevzniká to kvůli lenosti, ale kvůli jedné hodině navíc
Skutečná překážka není v tom, že neumíte číst nahlas. Je v té hodině mezi vámi a hotovou nahrávkou. Právě ona rozhodne, jestli audio nakonec uděláte, nebo ho zase odložíte na neurčito. A většina lidí ho odloží.
Výrobní bariéra
Neviditelná cena mezi „chci to mít“ a „mám to hotové“. Není to neschopnost, ale otrava: hodina nudné práce navíc, kterou musíte pokaždé překonat, než vznikne výsledek. Čím je ta bariéra vyšší, tím častěji věc prostě neuděláte. A nakonec si namluvíte, že ji ani nepotřebujete.
Každý takový odložený večer je jeden článek, který si nikdo nepustí do sluchátek. Jeden podcast, co nevznikl. A řešení není víc vůle – tu v zápřahu stejně nemáte. Řešení je tu bariéru srazit k zemi, aby namluvit text stálo pár minut místo celého večera.
Jak jsem se od mikrofonu odpojil
Postavil jsem si systém, ve kterém žije naklonovaný hlas – ten můj. Napíšu text, odešlu ho a za pár minut mám hotovou audio verzi. Bez mikrofonu, bez přeřeků, bez stříhání. Klidně to běží, když zrovna spím.
Klonování hlasu
Umělá inteligence se z nahrávek naučí barvu, tempo a melodii konkrétního hlasu a pak jím dokáže přečíst libovolný nový text. Nejde o napodobeninu „podobného“ hlasu – cílem je, aby posluchač, který vás zná, nepoznal rozdíl.
Napíšu článek – nebo ho za mě připraví můj publikační systém – a rovnou z něj vzniká i namluvená podoba. A nejen z článků: z podkladů k videím, z návodů, z čehokoli, co má znít mým hlasem.
Kde běžné AI hlasy selžou
Krátký text namluví ledaskdo. Zlom nastává u délky a u češtiny. A přesně tam většina nástrojů padne. Jsou to dvě věci, na které se vyplatí dávat pozor u každého AI hlasu, než mu svěříte svoje jméno.
První je délka. Mám scénáře o desítkách stran a běžné hlasy je buď neuvezou naráz, nebo je mezi částmi slyšet šev – skok v barvě hlasu, jiné tempo. Ucho to pozná okamžitě.
Druhá je čeština. V angličtině znějí tyhle hlasy skvěle, ale jakmile mají promluvit česky, začnou drhnout. Přízvuk ujede, intonace ztvrdne a naskočí ta nezaměnitelná robotí pachuť, po které do dvou vět víte, že posloucháte stroj. A vaši lidé jsou Češi – kdyby jim z nahrávky trčel cizí přízvuk, přestali by vnímat obsah a zasekli by se na tom divném hlase.
Minutový sebetest
Pusťte si libovolnou ukázku AI hlasu, který zvažujete, a poslouchejte dvě věci. Za prvé: slyšíte na přechodu mezi odstavci „šev“, kde se změní barva nebo tempo? Za druhé: přežije český přízvuk i po druhé třetí větě, nebo začne tvrdnout? Když projde obojí, máte hlas, u kterého unesete i delší text.
Nad tímhle jsem strávil nejvíc času – aby čeština zněla přirozeně, s dechem a měkkostí živého člověka.
Když si dneska pustím hotovou nahrávku, sám občas zaváhám, jestli jsem to náhodou nenamluvil já.
Co ještě dělá sám
Když už ten hlas v systému je, umí i pár věcí navíc, o které se nemusím starat. Z hotové nahrávky udělá přepis nebo titulky, takže po natáčení mám k videu text bez zdlouhavého ťukání do klávesnice. Sám napoví, že z tohohle článku by byl fajn podcast. A hlídá útratu – delší nahrávky něco stojí a je snadné to bezmyšlenkovitě projet, tak spotřebu sleduje průběžně a ozve se včas, dřív než se dostanete ke dnu.
Komu se klon hlasu nevyplatí
Buďme upřímní: není to pro každého a na všechno. Kdo namluví jednu krátkou nahrávku za rok, tomu stačí mikrofon a nemá si co klonovat. A jsou situace, kde živý mikrofon nic nenahradí: spontánní emoce, rozhovor, moment, kdy se vám má chvět hlas dojetím. Klon je na objem: na články, návody a podklady, které by jinak kvůli té otravné hodině navíc nevznikly vůbec.
Celý systém v kostce
- V systému žije věrný klon mého hlasu, vyladěný hlavně na přirozenou češtinu.
- Napíšu text – nebo ho připraví publikační systém – a odešlu ho.
- Za pár minut je venku jedna plynulá nahrávka, která drží stejný tón od první věty do poslední, bez švu.
- Umí to i naopak: z hotového audia vyrobí přepis nebo titulky.
- A hlídá útratu, ať mě delší nahrávky nezaskočí.
Žádné kouzlo: klon hlasu, který zvládne češtinu i délku, napojený rovnou na místo, kde píšu. Ten mikrofon pořád mám. Jen k němu nemusím pokaždé, když chci dát textu hlas. Klonovaný hlas nevydělává tím, že by zněl líp než vy. Vydělává tím, že odstraní hodinu, kvůli které by nahrávka jinak nevznikla vůbec. I když zrovna spíte.
