Нейросеть для озвучки текста: голос на русском бесплатно и для видео

Новые MCP-серверы и скиллы для голоса и видео я показываю в канале SkillFoxx в Telegram, когда добавляю их в каталог. Под постами можно спросить, чем озвучить конкретный ролик, и я отвечу в комментариях.

Какая нейросеть озвучивает текст на русском

Я сверил тарифы и документацию пяти групп инструментов 2 ноября 2026 года. Русский язык есть у всех, различаются цена, доступ из России и лицензия на результат.

ElevenLabs

ElevenLabs — облачный сервис синтеза речи. Он озвучивает текст, клонирует голос, дублирует видео и делает звуковые эффекты. В списке моделей на 2 ноября 2026 года семь вариантов, русский поддерживают шесть. Новейшая Eleven v4 знает больше 90 языков и принимает до 10 000 символов за запрос. Eleven Flash v2.5 держит 40 000 символов, медианная задержка у нее около 100 мс по данным самого сервиса.

Для читателя из России важнее всего справка ElevenLabs о странах. Сервис обязан ограничивать доступ из ряда стран, Россия в этом списке, и подключения оттуда блокируются.

Yandex SpeechKit

SpeechKit — синтез речи в Yandex Cloud, оплата в рублях. На 2 ноября 2026 года в API v3 есть 24 русских голоса: 18 у модели general, 6 у модели livetts. У многих голосов есть амплуа. У marina, например, есть нейтральное, дружелюбное и шепот, у kirill — строгое и радостное. Собственный голос бренда делают через Brand Voice, в варианте Lite создание стоит 9150 ₽, а хостинг первого голоса — 101 666 ₽ в месяц.

SaluteSpeech

SaluteSpeech — голосовой API Сбера для распознавания и синтеза. Для новых пользователей он почти закрылся. С 15 июля 2026 года Сбер прекратил продажу пакетов и продление бесплатного тарифа Freemium для физлиц. Раньше Freemium давал 200 000 символов синтеза в месяц. Для юрлиц в тот же день закрыли покупку пакетов и постоплату новым клиентам. Тем, кто подключился раньше, сервис доступен. Купленные пакеты действуют до конца срока.

Открытые модели: Silero, Piper, XTTS-v2, F5-TTS, Qwen3-TTS

Открытые модели скачивают и запускают у себя. Сеть, ключи и оплата не нужны, но лицензия у каждой своя, и от нее зависит, можно ли продавать ролик.

• Silero. Русская модель v5_6_ru с пятью голосами (aidar, baya, kseniya, xenia, eugene), сама расставляет ударения, работает на процессоре. Модели выпущены под некоммерческой лицензией Creative Commons.
• Piper. Быстрый локальный синтезатор, код под GPL-3.0, ставится командой pip install piper-tts. У него четыре русских голоса (denis, dmitri, irina, ruslan). Датасеты denis и dmitri открыты по CC0, у ruslan лицензия CC BY-NC-SA 4.0, у irina в карточке модели лицензия датасета указана как неизвестная.
• XTTS-v2 от Coqui. Клонирует голос по фрагменту записи в 6 секунд, знает 17 языков, включая русский. Лицензия Coqui Public Model License разрешает только некоммерческое использование модели и ее результатов.
• F5-TTS. Код под MIT, базовые веса под CC-BY-NC. Русскую версию дообучил участник сообщества на датасете Common Voice, она тоже под cc-by-nc-4.0.
• Qwen3-TTS от Alibaba. Десять языков, включая русский, клонирование по записи от 3 секунд и создание голоса по текстовому описанию. Веса на Hugging Face выложены под Apache-2.0, которая разрешает коммерческое использование.

Сколько стоит озвучка текста на ноябрь 2026 года

Цены я взял со страниц тарифов 2 ноября 2026 года. Для сравнения пересчитал стоимость текста в 10 000 символов, это примерно пять страниц.

• ElevenLabs. Озвучка списывает 1 кредит за символ. Бесплатно 10 000 кредитов в месяц, по оценке сервиса это около 10 минут речи. Starter стоит 6 долларов в месяц за 30 000 кредитов, Creator 22 доллара за 121 000, Pro 99 долларов за 600 000.
• Yandex SpeechKit, API v1. 1342 ₽ за миллион символов с НДС, текст в 10 000 символов обойдется в 13,42 ₽.
• Yandex SpeechKit, API v3. 0,1626 ₽ за запрос модели general, запрос считается блоками по 250 символов. Те же 10 000 символов — это 40 блоков, около 6,5 ₽. Короткие фразы дороже, потому что запрос в 20 символов тарифицируется как полный блок.
• SaluteSpeech для юрлиц, подключившихся до 15 июля 2026 года. 0,000186 ₽ за символ при постоплате, но минимальный платеж 15 000 ₽ в месяц, если сервисом пользовались.
• Открытые модели. Бесплатно, вы тратите время на установку и ресурсы своего компьютера.

Стартового гранта для новых клиентов Yandex Cloud сейчас нет. Документация на 2 ноября 2026 года пишет, что пробный период и грант недоступны, пробный период остался только у юрлиц с оплатой банковским переводом.

Можно ли озвучить текст бесплатно

Можно, но у бесплатных вариантов есть условия, и их стоит прочитать до публикации ролика.

Бесплатный тариф ElevenLabs не дает коммерческой лицензии. Справка сервиса требует указывать «elevenlabs.io» или «11.ai» в названии опубликованного материала, а использовать запись в коммерческих целях запрещает. Коммерческая лицензия появляется с тарифа Starter.

Открытые модели бесплатны, но для монетизированного канала или рекламы подходят только голоса с разрешающей лицензией. Из моделей выше это Qwen3-TTS (Apache-2.0) и голоса Piper denis и dmitri с датасетами под CC0. Silero, XTTS-v2 и F5-TTS по своим лицензиям годятся для учебы, личных проектов и экспериментов.

Какая нейросеть лучше для озвучки на русском

Я выбираю по трем вопросам: работает ли сервис из России, можно ли платить в рублях и разрешено ли продавать результат.

Для коммерческого проекта в России с рублевой оплатой прямой путь — Yandex SpeechKit с 24 русскими голосами, амплуа и понятной ценой за символ. Собственный голос бренда стоит отдельно.

Из сервисов в этом списке только ElevenLabs и клонирует голос, и дублирует видео в облаке. Тем, кто работает из другой страны, он даст больше всего функций из этого списка.

Для бесплатной озвучки на своем компьютере я поставил бы первым Piper с голосом dmitri или denis. Голос скачивается одной командой, лицензия датасета открытая. Qwen3-TTS управляет тоном и темпом по инструкции и клонирует голос, но его модели на 0,6 и 1,7 млрд параметров тяжелее Piper. Silero сама расставляет ударения и различает омографы, но по лицензии подходит только для некоммерческих задач.

Как озвучить видео и сделать дубляж

Озвучка видео бывает двух видов. Закадровый голос пишут для нового ролика, а дубляж переводит готовое видео на другой язык.

Закадровый голос для ролика из темы собирают агентные конвейеры. Подробно я разобрал их в статье «Нейросеть для видео», а скиллы для монтажа собраны в подборке «Скиллы для видео». OpenMontage (74,6 тыс. ★ репозитория) пишет сценарий, озвучивает его и монтирует ролик, бесплатный путь опирается на локальный Piper. Video Podcast Maker берет для голоса бесплатный бэкенд edge без ключа и рендерит видео в 4K. В explainroo голос диктора синтезирует модель Kokoro, а рисунок может появляться ровно на нужном слове.

Дубляж делают двумя способами. Dubbing в ElevenLabs переводит видео больше чем на 90 языков, включая русский, сохраняет голос и интонацию каждого спикера и принимает файл до 1 ГБ и 180 минут. Открытый вариант — скилл Violin. Он расшифровывает речь, переводит, синтезирует голос на целевом языке и вшивает дорожку обратно в видео с SRT-субтитрами. Модели Violin подключает через внешние сервисы, по умолчанию Together и Cartesia, часть из них платная.

Можно ли клонировать чужой голос

Технически да. XTTS-v2 клонирует голос по 6 секундам записи, Qwen3-TTS по 3 секундам. Правила для чужого голоса в России пока держатся на общих нормах Гражданского кодекса.

Отдельной нормы об охране голоса в ГК РФ на начало ноября 2026 года нет. Законопроект № 718834-8 о статье 152.3 «Охрана голоса гражданина» внесли в Госдуму в сентябре 2024 года, он требует согласия человека на использование его голоса, в том числе синтезированного. По данным Интерфакса, правительство проект не поддержало, и в открытых источниках я не нашел сведений о его принятии.

Действует статья 152.2 ГК РФ. Без согласия гражданина нельзя собирать, хранить, распространять и использовать информацию о его частной жизни, если закон прямо не говорит иное. Авторы инструментов тоже ставят условие. Например, создатели локальной студии yovoice просят клонировать только голоса, на которые у вас есть разрешение. Перед клонированием я бы брал у владельца голоса письменное согласие с описанием, где будет звучать запись. Свой собственный голос клонировать можно без оговорок.

Как озвучить текст на своем компьютере

Локальная озвучка не отправляет текст в чужое облако и не зависит от блокировок. Общий порядок запуска моделей на своем компьютере я описал в статье «Локальная нейросеть», здесь только синтез речи на Piper. Нужен Python 3.

1. Поставьте Piper командой pip install piper-tts.
2. Скачайте русский голос командой python3 -m piper.download_voices ru_RU-dmitri-medium.
3. Запишите фразу в файл командой python3 -m piper -m ru_RU-dmitri-medium -f test.wav -- 'Проверка озвучки'.

Если в системе есть ffplay, без флага -f Piper сразу проиграет звук. Документация предупреждает, что командная строка каждый раз заново загружает модель, поэтому для пачки текстов удобнее встроенный веб-сервер Piper.

Для голоса из записи-образца есть yovoice, открытая студия с командой для агентов. yovoice setup ставит движок, yovoice models download скачивает модель, yovoice generate превращает текст в WAV. Среди моделей есть Qwen3-TTS с русским языком. Веса OmniVoice, YuE2 и Breeze TTS 2 в yovoice разрешены только для некоммерческих целей.

Какие MCP и скиллы для озвучки есть в каталоге

MCP-сервер — программа-посредник, через которую ИИ-агент вроде Claude Code или Cursor вызывает внешний сервис. Для голоса в каталоге SkillFoxx есть серверы и скиллы под разные задачи.

• ElevenLabs Skills, 528 ★ репозитория. Официальный набор из десяти скиллов для озвучки, расшифровки, голосовых агентов, звуковых эффектов и дубляжа. Нужен ключ ElevenLabs в переменной ELEVENLABS_API_KEY.
• SaluteSpeech MCP. Пять инструментов для SaluteSpeech, среди них распознавание из файла, озвучка выбранным голосом и список голосов. Нужны client_id и client_secret с developers.sber.ru.
• MCP SaluteSpeech от команды ai-forever. Слушает микрофон до трехсекундной паузы и озвучивает ответ агента через динамики. Репозиторий больше года без обновлений.
• VoiceMode, 1,4 тыс. ★ репозитория. Голосовой разговор с Claude Code, распознавание и синтез можно держать локально через Whisper и Kokoro.
• MiniMax MCP, 1,6 тыс. ★ репозитория. Официальный сервер MiniMax озвучивает текст, клонирует голос и создает голос по описанию. Вызовы платные, в карточке отмечено, что доступность API из России не проверена.
• MimikaStudio. Локальный сервер озвучки для macOS с 50 с лишним инструментами. Клонирует голос по образцу от 3 секунд и собирает аудиокниги из PDF, DOCX и EPUB.

У каждой карточки указан уровень доступа, то есть что сервер может сделать на вашем компьютере и в аккаунте. Начинать я советую с одного сервера и отдельного ключа под него, чтобы при утечке отозвать только его.

Что работает из России

ElevenLabs из России недоступен, это разобрано выше.

В России законно работают Yandex SpeechKit с оплатой в рублях, SaluteSpeech для тех, кто подключился до 15 июля 2026 года, и открытые модели на своем компьютере. Сценарий для будущей озвучки удобно написать языковой моделью через SkillFoxx API. Шлюз работает в закрытой бете с оплатой в рублях, принимает запросы в форматах OpenAI и Anthropic, в списке моделей есть Claude Sonnet 5.

Карта выбора по задачам

• Бесплатная озвучка статьи или книги: Piper с голосом dmitri — работает офлайн, датасет голоса под CC0.
• Коммерческий ролик в России с оплатой в рублях: Yandex SpeechKit — 24 русских голоса и цена от 6,5 ₽ за 10 000 символов в API v3.
• Голос по своей записи: Qwen3-TTS, проще всего через yovoice — клонирование локально, веса под Apache-2.0.
• Дубляж готового видео: Violin — расшифровка, перевод и новая звуковая дорожка в том же видео.
• Ролик из темы целиком: OpenMontage — сценарий, озвучка, монтаж в одном конвейере.
• Голосовой разговор с агентом: VoiceMode — локальное распознавание и синтез.

Короткий глоссарий

• TTS (text-to-speech): синтез речи, превращение текста в звук.
• Клонирование голоса: модель повторяет тембр человека по короткой записи-образцу.
• Дубляж: замена речи в видео на перевод с сохранением голоса и тайминга.
• Амплуа: эмоциональная окраска голоса, например строгая или дружелюбная.
• SSML: разметка текста для синтеза, задает паузы, ударения и темп.
• Некоммерческая лицензия (NC): модель и ее результат нельзя использовать для заработка.

Что дальше

Выберите задачу на карте выше и откройте карточку инструмента, в ней команда установки и уровень доступа. Если задача сложнее, опишите проект в подборе с Foxx AI, он предложит инструменты из каталога. Для музыки и песен у меня есть отдельный разбор «Нейросеть для музыки».