09 · Русская речь, фонетика, свои голоса и аудио-реф
Раздел собран на сериале «Козёл» (октябрь 2026, четыре сцены Seedance 2.5 в Higgsfield) и проверен
на «Много Мяса». Полный промт с репликой — 10_ПРИМЕР_КОЗЁЛ_ПЕРЕГОВОРНАЯ.txt.
Реплика в промте — три места
1. В плане — строка с окном, говорящим, ссылкой на аудио, языком и эмоцией; реплика кириллицей в прямых кавычках. Сразу следующей строкой — подсказка:
At 4.0-10.6s the investor, exactly as in @Audio1, says in Russian: "Мы смотрели двенадцать компаний. Ваш продукт — лучший. С вами можно работать."
Phonetic hint: "Mi smotréli dvenádtsat' kompániy. Vash prodúkt — lúchshiy. S vámi mózhno rabótat'."
At 4.6-6.2s she, exactly as in @Audio1, shouts in Russian, shocked and angry: "Это что сейчас было?!"
Phonetic hint: "Éto chto seychás bílo?!"
2. В TIMING — окно ещё раз: «the investor's line at 4.0-10.6s, as in @Audio1, natural and unhurried, with his own small pauses». И кто не говорит никогда: «the goat and the friend never speak».
3. В SOUND — фраза-правило, дословно:
One line in Russian, written in Cyrillic and followed by a phonetic hint in Latin letters: it is spoken in
Russian by the investor, word for word, in his voice from @Audio1 and with its timing; the spoken audio must
match the hint; the vowel with the acute accent is the stressed one. No narrator, no music, no drone, no pad.
Две реплики — «Two short lines in Russian, … each followed by a phonetic hint …: both are spoken in Russian by the girlfriend …».
Язык — in Russian. Белорусский приём («in Belarusian» + подсказка) — запасной: он нужен, только если модель всё-таки коверкает русские слова.
Фонетическая подсказка — как писать
Правило Виктора (28.10.2026): пиши, как слышится, а не как правильно по фонетике — гласные как в написании, без аканья и озвончения. Модель англоязычная: подсказка нужна, чтобы она не читала латиницу по-английски и попала ударением.
| Что | Как | Пример из промтов |
|---|---|---|
| ударная гласная | штрих: á é í ó ú ý — в каждом слове из двух слогов и длиннее | smotréli, prodúkt, mózhno |
| мягкий знак | апостроф | dvenádtsat', rabótat', opyát', normál'niy |
| -шь на конце | без апострофа | slýshish, vedyósh |
| й | y (j модель читает как «дж») | kakóy, kompániy, seychás, yey |
| ы | i; где звук должен прозвучать отчётливо — iy | Mi, Ti, bílo; Zagádiyvay |
| -ый, -ий | iy | lúchshiy, lyubímiy, normál'niy |
| ё | yo (всегда ударная) | kozyól, dnyóm, rebyónok |
| е | e; в начале слова и после гласной — ye | zhelániye, yevó, yemú |
| я, ю | ya, yu | tebyá, lyubóy |
| ж ш щ ч х ц | zh sh shch ch kh ts | zhe, Másha, voobshché, chto, Khranítel', dvenádtsat' |
| о без ударения | o, не a | Ogó (не Agó), voobshché (не vaapshché) |
| предлог перед звонкой | как пишется | S dnyóm (не Z dnyóm) |
| песня | как поют | «С днём рожденья» → rozhdyén'ya |
Знаки препинания и внутренние кавычки — как в реплике: «Len, nu on zhe kozyól!».
Подсказку перед выдачей сверить слово в слово с репликой: пропущенное слово модель не скажет.
Что видно по слепой расшифровке готовых генераций (faster-whisper без подсказки): речь совпадает с текстом на 70–80 %. Короткие реплики чище длинных. Короткое служебное начало («А я ей») тонет, если рядом смех: смех ставить после реплики. Мат модель смягчает («Блять» → «Блин»).
Аудио-реф @Audio1 — как подаём голос
Что это. Готовая дорожка реплик на всю длину ролика: каждая реплика стоит ровно в своём окне, до и после — тишина или тихий фон комнаты. Окна в дорожке = окна в промте.
Строка рефа — первыми строками промта, вместе с картинками:
@Audio1 — THE INVESTOR'S DIALOGUE TRACK: his own voice saying his line, already timed to this video — from
4.0s to 10.6s, quiet room tone before and after. He lip-syncs exactly this audio, word for word, with its
timing and its warm, lively, natural delivery with a slight smile and his own small pauses; this is his voice.
Несколько реплик одного героя: «her laughing punchline from 0.4s to 3.1s and her angry outburst from 4.6s to 6.2s, silence and quiet street sound in between».
Как подать (Higgsfield CLI, сцена С4):
higgsfield generate create seedance_2_5 --prompt @prompt.json --mode omni_reference --duration 8 \
--aspect_ratio 9:16 --resolution 720p --generate_audio true \
--image-references <@Image1> --image-references <@Image2> … --audio-references <@Audio1.mp3> \
--start-image <стартовый кадр>
Порядок --image-references = номера @Image1, @Image2… Стартовый кадр — --start-image, без @-тега.
Промт — JSON-строкой в файле: промт, который начинается с «@», CLI читает как путь к файлу.
Что модель делает с дорожкой. Берёт тайминг и подачу, а голос может переозвучить своим. В С3 голос инвестора модель сделала сама, и он лёг идеально — оставили. В С1 дорожку не взяла совсем. Поэтому: - голос лёг — оставляй; - не лёг — меняй тембр через ElevenLabs Speech-to-Speech по сгенерированной речи (выдели голос из ролика, например Demucs, прогони через STS нужным голосом). Тайминг остаётся от губ, совпадение слово в слово; - наложить свою дорожку целыми фразами поверх — губы уезжают на 0,3–0,8 с.
Свои голоса в ElevenLabs
Не брать стоковые голоса. Каждому герою — свой голос через Voice Design (модель eleven_ttv_v3). Описание пишется так:
A real Russian man of about 60, a wealthy Moscow investor talking across a meeting table.
Deep, warm, slightly husky baritone with a lived-in texture; relaxed, confident and unhurried,
a quiet smile in his voice; natural audible breaths between phrases, small mouth sounds,
real close-mic room sound. Native Russian speaker, Moscow accent.
Not an announcer, not a narrator, not a radio voice: a real man in conversation.
Что в описании работает: возраст и кто он; тембр и фактура; темп и настроение; дыхание и близкий микрофон; «not an announcer» — без этого получается диктор из рекламы. Высоту голоса описанием не задать. Образец текста для дизайна — 3–4 живые фразы по-русски в манере героя (не сама реплика из ролика). Voice Design даёт три варианта — сохрани все и выбирай по слуху на реплике.
Рассказчик-натуралист (закадр «как в передаче про животных»): «low, calm, measured baritone, precise diction, dry deadpan irony, as if describing a strange species with scientific seriousness while barely holding back a smile».
Реплики: модель и теги
- Реплики героев — eleven_v3. Теги в квадратных скобках модель не произносит:
[inhales] Мы смотрели двенадцать компаний... [short pause] [warmly, with a slight smile] Ваш продукт — лучший. - Живость: stability 0–0,3 (creative), style 0,5–0,6. Ровный закадр: stability 0,5–0,6.
- Длинный текст — по фразам. Одной длинной фразой v3 тянет паузы посреди предложения и глотает слова («Подпишись» → «Тут пишись»). Каждую фразу озвучь отдельно, проверь, склей с паузами 0,3–0,4 с. Для призывов и титров стабильнее eleven_multilingual_v2.
- Ускорять голос больше чем на 10–12 %, чтобы влез в окно, нельзя — звучит роботом. Лучше сдвинь тайминг планов под живую реплику.
- Проверка: каждую дорожку прогнать распознаванием без подсказки (faster-whisper без initial_prompt). С подсказкой распознаватель «слышит» то, что ты ждёшь.