Ошибся в одном слове озвучки — поправь только его, не переписывая дубль

Смотри, знакомая боль: записал озвучку на минуту, а на середине оговорился — сказал «до пятницы» вместо «до понедельника». Раньше выход один: переписывать весь дубль. Теперь ты меняешь одно слово в тексте — и модель переозвучивает только его. Твоим же голосом. Так, что стыка не слышно.

Это не «прочитай текст голосом» — клонировать голос уже умеют. Это про правку готовой записи: не пересобрать, а починить одно место.

Почему это только что стало возможно

Обычная озвучка идёт слово за словом, слева направо. Поэтому поправить середину нельзя: меняешь слово — и весь хвост перегенерится с другой интонацией. Стык слышно сразу.

1 июля 2026 китайская команда выложила в открытый доступ ViiTorVoice-NAR (лицензия Apache-2.0, лежит на GitHub и Hugging Face). Она устроена иначе — не слово-за-словом, а как «дорисовать пропуск». Ты даёшь три вещи: исходное аудио, что было сказано и что должно быть. Модель находит изменённый участок и переозвучивает только его, подстраиваясь под голос вокруг. Остальная запись не трогается вообще.

Чему научишься

Проект крошечный, а трогаешь редкое:

• Позвать модель через API — тут даже проще: один curl с тремя полями. Модель open-source, чужой ключ не нужен.
• Локальная правка звука — почему «дорисовать пропуск» позволяет менять середину, а обычная озвучка нет.
• Клонирование голоса без текста — та же модель повторяет голос из короткого клипа, даже если не знает, что на нём сказано.

Готовый стартовый промпт

Тут «промпт» — это пара «было → стало». Слабый запрос просит переделать всё и теряет голос. Сильный точно называет замену и требует не трогать остальное.

Слабый вариант отдаёт новый дубль с чужой интонацией. Сильный меняет одно слово, и запись звучит цельно.

Что получится

Была минутная озвучка для рилса с одной оговоркой в дате. Стала — та же запись, тот же голос, но дата верная. Ты не переписывал дубль и не ловил ту же интонацию по второму разу. Поменял слово в тексте — починил звук.

Трезво про рамки: это open-source-модель, её надо один раз поднять. Есть готовый HTTP-эндпоинт и демо-Space на Hugging Face. Чуда «одна кнопка из коробки» не жди, но сложного тут ровно на вечер.

План на выходные

1. Пятница, вечер. Открой демо-Space на Hugging Face, загрузи короткую свою запись и поменяй в ней одно слово. Просто послушай стык. Вот момент «ого».
2. Суббота. Подними модель у себя (в репозитории есть скрипт установки) и дёрни правку через curl: аудио + было + стало.
3. Воскресенье. Оберни в мини-приложение: показал текст записи → тыкнул в слово → вписал новое → скачал починенное аудио.

Начни с замены одного слова в короткой записи. Клонирование голоса и длинные дорожки — потом. Сначала пусть заработает «поменял слово — шва не слышно».

Источник: ViiTorVoice-NAR на GitHub