Veo 3 и синтез речи: как добавить озвучку и закадровый голос в видео (2026)

Большинство людей знакомятся с Veo 3 как с моделью «текст в видео»: вы описываете сцену и получаете движущуюся картинку. Но функция, которая по-настоящему изменила рабочий процесс, — это синтез речи. Veo 3 может сгенерировать закадровый голос или экранную озвучку прямо внутри того же клипа, который рендерит изображение, при этом слова синхронизированы с действием, а движение губ совпадает с произносимой репликой. Никакого отдельного голосового инструмента, никакой ручной синхронизации, никакого наложения звука на немое видео в монтажной программе.

Это меняет подход к планированию видео. Вместо того чтобы написать визуальный промпт, а звук прикрутить потом, вы пишете произносимую реплику, визуальный ряд и манеру подачи как одну инструкцию. Сделано хорошо — результат ощущается как готовый материал: ролик-объяснение, рекламный спот, демонстрация продукта или документальный фрагмент — прямо из модели. Сделано небрежно — голос «уплывает», тайминг сбивается, а слова звучат плоско.

В этом руководстве показано, как именно добавить озвучку и закадровый голос в видео Veo 3: два режима подачи, рабочая структура промпта, готовые примеры для самых частых сценариев, расчёт тайминга, который удерживает речь в пределах 8-секундного клипа, и чек-лист контроля качества, чтобы вы поймали проблемы до публикации. Если сначала вам нужна более широкая картина по звуку, наше руководство по промптам для нативного аудио Veo 3 разбирает диалоги, звуковые эффекты и музыку вместе; эта статья фокусируется на одном, самом востребованном случае — получении чистого произносимого голоса поверх вашего видео.

Закадровый голос, диалог и озвучка: сначала разберёмся с терминами

Veo 3 работает с произносимым звуком несколькими разными способами, и выбор неправильного — самая частая причина, по которой промпт не срабатывает.

• Экранная озвучка (с синхронизацией губ): видимый персонаж произносит слова в камеру. Модель анимирует рот так, чтобы он совпадал с речью. Используйте это для роликов-объяснений с говорящей головой, вступлений ведущего, отзывов в стиле пользовательского контента и интервью на улице.
• Закадровый голос (вне кадра): голос диктора звучит поверх визуального ряда, где никто не говорит в кадре, — снимки продукта, перебивки, пейзажи, воссозданные как сцены записи экрана. Голос бестелесный; синхронизировать нечего, рта нет.
• Диалог: два или более персонажей разговаривают друг с другом. Это отдельная дисциплина — атрибуция реплик, контраст голосов, реакции — и мы полностью разбираем её в руководстве по диалогу двух персонажей. Если в вашем сценарии есть обмен репликами, начните оттуда.

Синтез речи в том смысле, который имеет в виду большинство авторов, — «у меня есть сценарий, мне нужен голос, читающий его поверх моего видео» — соответствует закадровому голосу или экранной озвучке. Остальная часть этого руководства посвящена именно этим двум режимам, потому что именно их ищут люди, набирая «Veo 3 синтез речи» или «Veo 3 озвучка».

Практическое правило: если зритель должен видеть рот, формирующий слова, вам нужна экранная озвучка с синхронизацией губ, и вы обязаны описать говорящего в кадре. Если зритель должен только слышать слова, вам нужен закадровый голос, и вы описываете голос, не помещая говорящее лицо в кадр.

Как Veo 3 генерирует речь из вашего промпта

В Veo 3 нет отдельного поля «голос». Произносимая реплика живёт внутри того же текстового промпта на естественном языке, что и всё остальное. Модель читает ваш промпт, решает, кто говорит (или находится ли голос за кадром), генерирует голос, подходящий под описание, и рендерит звук синхронно с видео. Более глубокий взгляд на внутреннюю механику — в материале как работает генерация аудио в Veo 3.

Из этой конструкции вытекают три следствия, и они определяют все приёмы ниже:

1. Точные слова, которые нужно произнести, помещаются в кавычки. Всё, что вы поставите в кавычки, Veo 3 трактует как буквальную реплику для произнесения. Всё, что вне кавычек, — это режиссёрское указание: тон, темп, акцент, кто говорит. Разделение этих двух вещей — самая полезная привычка.
2. Идентичность голоса задаётся описанием, а не пресетом. Вы получаете тот голос, который описали: возрастной диапазон, пол, акцент, теплота, энергия, профессия. Расплывчатые описания («приятный голос») дают непостоянный результат от рендера к рендеру. Конкретные описания («спокойная женщина за тридцать, тёплый средний регистр, неспешная») воспроизводятся гораздо надёжнее.
3. Речь конкурирует с длительностью клипа. 8-секундный клип вмещает лишь определённое число произносимых слов. Если переписать реплику, Veo 3 либо ускорит подачу, либо обрежет конец. Решение — подсчёт слов перед рендером, о чём мы расскажем в разделе про тайминг.

Рабочая структура промпта для озвучки

После сотен генераций структура, которая надёжнее всего даёт чистую речь, состоит из пяти упорядоченных частей. Не каждая часть нужна в каждом промпте, но этот порядок не даёт модели спутать режиссуру с репликой.

1. Сцена / визуальный ряд — что мы видим.
2. Определение говорящего — кто говорит, в кадре или за кадром, описанный конкретно.
3. Произносимая реплика в кавычках — буквальные слова.
4. Указание по подаче — тон, темп, эмоция, акцент, ударение.
5. Звуковая среда — фоновая атмосфера или «чистая озвучка без музыки», чтобы голос оставался разборчивым.

Вот каркас:

[Визуальная сцена]. [Говорящий: в кадре или закадровый диктор, описанный].
Диктор говорит: «[точная произносимая реплика]».
Подача: [тон, темп, акцент, ударение].
Звук: [чистая озвучка / лёгкая атмосфера], голос ясный и на переднем плане микса.

Конкретное заполнение для закадровой озвучки продукта:

Медленный наезд на матово-чёрный беспроводной наушник, вращающийся на мягко
подсвеченном пьедестале, малая глубина резкости, премиальный продуктовый свет.
Закадровый диктор, спокойный мужчина под сорок, тёплый средний регистр, американский акцент.
Диктор говорит: «Двенадцать часов воспроизведения. Один заряд. Без компромиссов».
Подача: уверенно, неспешно, лёгкая пауза перед «Без компромиссов».
Звук: чистая озвучка, без музыки, голос на переднем плане и интимный.

И версия с экранной синхронизацией губ, где говорящий виден:

Средний крупный план приветливой бариста, под тридцать, за стойкой кофейни,
утренний свет, мягкий фоновый гомон.
Она смотрит в камеру и говорит, рот синхронизирован со словами.
Она говорит: «Честно? Это самый мягкий колд-брю, что мы когда-либо делали».
Подача: тепло, непринуждённо, искренняя улыбка, разговорный темп.
Звук: лёгкая атмосфера кофейни под ясным ведущим голосом.

Обратите внимание на разницу: в закадровом примере говорящее лицо никогда не появляется в кадре, поэтому синхронизировать нечего, и голос читается как закадровый. В экранном примере прямо сказано «рот синхронизирован со словами», что велит Veo 3 анимировать губы. Правильное соблюдение этого различия отделяет чистый результат от видео, где голос парит над человеком, чьи губы не движутся, — или, хуже того, от снимка продукта, где как будто говорит фантомный рот.

Восемь реальных сценариев с готовыми промптами

Это самые востребованные задачи по озвучке и закадровому голосу, которые люди реально приносят в Veo 3. Каждый промпт готов к адаптации — поменяйте объект, сохраните структуру.

1. Закадровая озвучка рекламы продукта (вне кадра)

Кинематографичные крупные планы стальной бутылки для воды на мокром камне у ручья,
контровой свет рассвета, медленные движения камеры.
Закадровый диктор, женщина за тридцать, тёплая и основательная, нейтральный американский акцент.
Диктор говорит: «Создано для троп. Сделано на каждый день».
Подача: вдохновляюще, спокойно, ровный темп.
Звук: чистая озвучка, слабая атмосфера ручья, без музыки.

2. Закадровый голос для ролика-объяснения

Чистая сцена в анимационном стиле: светящийся пакет данных движется по сетевой линии
между двумя стилизованными серверами, мягкая синяя палитра.
Закадровый диктор, мужчина за сорок, ясный и наставительный, нейтральный акцент.
Диктор говорит: «Когда вы нажимаете «отправить», ваше сообщение разбивается на пакеты
и направляется по самому быстрому доступному маршруту».
Подача: ясно, размеренно, по-учительски, без спешки.
Звук: чистая озвучка, едва слышный фоновый гул, голос на переднем плане.

3. Вступление ведущего «говорящая голова» (в кадре, с синхронизацией губ)

Средний план уверенного ведущего-мужчины, чуть за тридцать, в современной студии
с мягким ключевым светом и размытым фоном боке. Он смотрит прямо в камеру, губы синхронизированы.
Он говорит: «С возвращением. Сегодня разбираем три вещи, о которых вам никто не расскажет
про ваш первый год на фрилансе».
Подача: бодро, дружелюбно, чёткая дикция, естественная жестикуляция.
Звук: чистый студийный звук, ведущий голос отчётливый.

4. Отзыв в стиле пользовательского контента (в кадре)

Съёмка с рук, вертикальный кадр-селфи: женщина под тридцать идёт по солнечной городской
улице, повседневная одежда, естественный свет, губы синхронизированы с речью.
Она говорит: «Я тоже сомневалась, но через три недели мой сон стал заметно лучше».
Подача: искренне, с лёгким воодушевлением, разговорно, достоверно.
Звук: лёгкая уличная атмосфера под ясным голосом с близкого микрофона.

5. Документальный / кинематографичный закадровый голос

Размашистый облёт горного хребта в туманный рассвет, медленный дрейф, приглушённые
холодные цвета.
Закадровый диктор, мужчина в возрасте, под шестьдесят, глубокий резонирующий голос,
утончённый британский акцент.
Диктор говорит: «Десять тысяч лет эти вершины хранят своё молчание».
Подача: медленно, весомо, благоговейно, длинные паузы.
Звук: чистая озвучка, слабый ветер, кинематографичное пространство вокруг голоса.

6. Закадровый голос для демонстрации приложения / SaaS

Стилизованное воссоздание чистого интерфейса панели управления, появляющегося в кадре,
курсор скользит, карточки выезжают, яркий современный интерфейс.
Закадровый диктор, женщина за тридцать, дружелюбная и деловитая, нейтральный акцент.
Диктор говорит: «Перетащите любую задачу, чтобы перенести её. Вся ваша неделя обновится мгновенно».
Подача: услужливо, бодро, но ясно, лёгкий энтузиазм.
Звук: чистая озвучка, мягкие щелчки интерфейса, без музыкальной подложки.

7. Цепляющее вступление для коротких видео (в кадре)

Хлёсткий крупный план молодого мужчины на яркой кухне с кружкой кофе в руке,
быстрая энергия, губы синхронизированы, вертикальное кадрирование.
Он говорит: «Хватит покупать дорогой колд-брю. Вот как сделать его за копейки».
Подача: высокая энергия, быстро, цепляюще, сильное ударение на «хватит».
Звук: чистый ведущий голос, плотный звук помещения.

8. Многоязычный / акцентированный закадровый голос

Элегантная медленная панорама по витрине парижской кондитерской, тёплый свет из окна,
золотистая выпечка.
Закадровый диктор, женщина за тридцать, мягкий французский акцент, интимный тон.
Диктор говорит: «Каждое утро — масло, мука, терпение — всё начинается заново».
Подача: нежно, чувственно, неспешно.
Звук: чистая озвучка, слабая атмосфера кафе.

Для многоязычной работы прямо называйте акцент («мягкий французский акцент», «нейтральный американский», «утончённый британский»), а не просто «иностранный». Если хотите, чтобы реплика звучала целиком на другом языке, напишите реплику на этом языке в кавычках и укажите язык в режиссуре — но всегда переслушивайте результат, потому что качество неанглийской речи варьируется сильнее.

Тайминг: уместите слова в клип

Именно здесь чаще всего ломается озвучка. Клипы Veo 3 короткие, а естественная речь идёт примерно со скоростью 2–3 слова в секунду для ясной подачи — медленнее для кинематографичной, быстрее для энергичной. Это даёт рабочий бюджет:

• 8-секундный клип: около 16–22 произносимых слов для комфортного темпа, до ~26 при быстрой подаче.
• 6 секунд речи (оставляя место для паузы): около 12–18 слов.

Считайте слова в своей реплике в кавычках перед рендером. Если вы вышли за бюджет, есть три варианта: сократить слова, разбить сценарий на несколько клипов или согласиться на более быструю подачу. Пример с рекламой выше («Создано для троп. Сделано на каждый день».) — шесть слов: ложится с запасом на паузу тишины, что и нужно премиальной рекламе.

Когда сценарию действительно нужно больше речи, чем влезает в один клип, генерируйте каждую реплику как отдельный клип и сшивайте их или используйте продление клипа для продолжения сцены. Наше руководство по продлению видео Veo 3 за пределы 8 секунд разбирает, как сохранять голос и сцену согласованными между склейками. Планируйте сценарий как последовательность коротких самодостаточных реплик, а не как один длинный абзац, и многоклиповый подход будет ощущаться продуманным, а не нарезанным.

Простой разбор. Допустим, ваша полная закадровая реплика: «Знакомьтесь — новая колонка Aurora. Звук, наполняющий комнату. Заряд на весь день. И она растворяется в любом интерьере». Это 18 слов — на грани для одного 8-секундного клипа при спокойном темпе. Либо разбейте на два клипа (первый: первые два предложения; второй: последние два), либо чуть ускорьте подачу и оставьте одним клипом. Подсчёт заранее превращает гадание в решение.

Управление голосом: тон, акцент, темп и ударение

Реплика в кавычках решает, что сказано. Всё остальное в промпте решает, как. Сильнее всего на результат влияют эти рычаги:

• Возраст и пол задают тембр. «Мужчина под шестьдесят» звучит совсем не как «мужчина за двадцать». Всегда указывайте оба.
• Акцент — сильный и надёжный регулятор. «Нейтральный американский», «утончённый британский», «мягкий австралийский», «тёплый южный американский» дают отчётливые, повторяемые результаты. Расплывчатые формулировки дают расплывчатые голоса.
• Энергия и тон — спокойный, уверенный, воодушевлённый, благоговейный, бодрый, интимный — задают эмоциональное прочтение. Подбирайте под сценарий: реклама хочет вдохновения, объяснения — ясности, документалистика — весомости.
• Темп — неспешный, размеренный, быстрый, хлёсткий. Он напрямую связан с вашим бюджетом слов. Быстрый темп выкупает несколько слов; медленный кинематографичный — стоит нескольких.
• Ударение и паузы — называйте конкретные моменты: «лёгкая пауза перед последней репликой», «выделите слово «бесплатно»», «дайте последнему слову лечь». Эти микроуказания и делают озвучку срежиссированной, а не просто прочитанной.

Если хотите один и тот же голос диктора в нескольких клипах — серия, многочастная реклама, эпизодическое объяснение, — держите описание голоса дословно одинаковым в каждом промпте. Постоянство голоса работает по тому же принципу, что и визуальное постоянство персонажа: модель воспроизводит то, что вы повторяете. Приёмы из нашего руководства по постоянству персонажа применимы к голосу не меньше, чем к лицам. Сохраните описание диктора как переиспользуемый блок и вставляйте без изменений.

Как сохранить голос чистым в миксе

Частая жалоба — голос тонет под сгенерированной музыкой или атмосферой. Две привычки в промптах это предотвращают:

1. Явно укажите микс. Добавьте «голос на переднем плане и ясный», «чистая озвучка, без музыки» или «ведущий голос поверх атмосферы». Без этого Veo 3 иногда генерирует музыкальную подложку, конкурирующую с озвучкой.
2. Сознательно относитесь к атмосфере. Немного тона помещения или атмосферы локации делают озвучку живой. Слишком много — топит её. Для чистого закадрового голоса «чистая озвучка, без фоновой музыки» — самый безопасный вариант по умолчанию; добавляйте атмосферу, только когда того требует сцена, и держите её «слабой» или «лёгкой».

Если планируете добавлять свою музыку или звуковой дизайн на постпродакшене, запрашивайте сухой чистый голос с минимальной атмосферой, чтобы получить чистую дорожку для работы. Если хотите финальный клип прямо из модели, дайте Veo 3 сгенерировать лёгкую атмосферу, но держите голос на переднем плане.

Чек-лист контроля качества перед публикацией

Прогоните каждый клип с озвучкой через этот список. Он ловит сбои, очевидные, когда знаешь, на что смотреть.

• Слова совпадают со сценарием. Прослушайте реплику целиком. Veo 3 иногда роняет или меняет слово, особенно ближе к концу плотного клипа. Если так — сократите реплику или перерендерите.
• Синхронизация губ (только в кадре). Следите за ртом. Если губы и слова расходятся, в промпте могло не быть «губы синхронизированы», либо реплика слишком длинная для клипа. У закадрового голоса рта для проверки нет — убедитесь, что в кадр случайно не попало говорящее лицо.
• Голос соответствует заданию. Верные возраст, пол, акцент, энергия? Если уплывает, сделайте описание конкретнее и предметнее.
• Темп уместен. Никакого торопливого конца, никакой неловкой тишины. Подправьте число слов или указание темпа.
• Микс чистый. Голос ясно сидит поверх атмосферы. Никакой конкурирующей музыки, если она не задумана.
• Никаких артефактов. Слушайте роботизированное дрожание, обрезанные согласные или странные вдохи. Повторный прогон того же промпта часто исправляет единичный плохой дубль.
• Акцент не сполз. В нескольких клипах серии убедитесь, что акцент и тембр диктора остались постоянными.

Если клип проваливается по словам или синхронизации, самое быстрое решение почти всегда — сократить реплику в кавычках. Длина — корневая причина большинства проблем с речью в Veo 3.

Частые ошибки и как их исправить

• Реплика вне кавычек. Если слова не в кавычках, Veo 3 может посчитать их описанием и вовсе не произнести — или произнести нечто перефразированное. Всегда заключайте буквальную реплику в кавычки.
• Режиссура внутри кавычек. Запись «скажи взволнованно: купи сейчас» может заставить модель произнести слова «скажи взволнованно». Держите режиссуру вне кавычек; внутри — только произносимые слова.
• Переписанная реплика. Сбой номер один. Считайте слова против бюджета клипа каждый раз.
• Расплывчатое описание голоса. «Хороший голос» даёт разный голос при каждом рендере. Зафиксируйте возрастом, полом, акцентом и тоном.
• Забытое указание по миксу. Ведёт к тому, что музыка топит озвучку. Добавьте «голос на переднем плане, чистая озвучка».
• Ожидание говорящего лица, которое вы не описали. У закадрового голоса по замыслу нет говорящего в кадре. Если хотите синхронизацию губ, поместите описанного говорящего в кадр и скажите, что губы синхронизированы.

Как озвучка Veo 3 сравнивается с отдельным инструментом синтеза речи

Вы всегда можете сгенерировать визуальный ряд в Veo 3, а голос добавить потом в специализированном инструменте синтеза речи. Иногда это правильный выбор — для очень длинных сценариев, для конкретного лицензированного голоса или когда нужен точный редакторский контроль над каждым слогом.

Но нативная генерация выигрывает по трём фронтам, важным для большинства коротких видео и рекламы. Во-первых, тайминг и синхронизация уже сделаны за вас — голос уже совпадает с действием и, для говорящих в кадре, с губами. Во-вторых, голос принадлежит сцене — его акустика, тон помещения и энергия совпадают с визуальным рядом, а не звучат наклеенными. В-третьих, это один шаг — никакого экспорта, повторного импорта, ручного выравнивания. Для 8-секундной рекламы или цепляющего короткого видео нативный путь обычно быстрее и цельнее. Для пятиминутной документальной озвучки отдельный проход синтеза речи поверх собранных перебивок может дать больше контроля. Выбирайте по длине и по тому, сколько редакторской точности вам нужно.

Складываем всё вместе: рабочий процесс озвучки

Повторяемый процесс для готового клипа с озвучкой:

1. Определите режим — закадровый голос или экранная озвучка с синхронизацией губ. Это задаёт весь промпт.
2. Сначала напишите реплику, потом посчитайте её. Удержите её в бюджете слов для длины вашего клипа. Сокращайте безжалостно.
3. Опишите голос конкретно — возраст, пол, акцент, тон — и сохраните этот блок, если будете переиспользовать диктора.
4. Соберите промпт в порядке из пяти частей: сцена, говорящий, реплика в кавычках, подача, звуковой микс.
5. Отрендерьте, затем проверьте по чек-листу — слова, синхронизация, соответствие голоса, темп, микс.
6. Сначала работайте над длиной, когда что-то ломается; обычно виновата именно она.
7. Для длинных сценариев сшивайте клипы — по одной реплике на клип — и держите описание голоса одинаковым во всех.

Этот цикл превращает «Veo 3 синтез речи» из обнадёживающего однострочного промпта в надёжный производственный метод. Начните с одного из восьми шаблонов сценариев выше, вставьте свою реплику, посчитайте слова и отрендерьте. Для более широкого звукового инструментария — диалоги, звуковые эффекты и музыкальные акценты рядом с озвучкой — держите руководство по промптам для нативного аудио открытым в соседней вкладке и попробуйте свою первую озвучку прямо на veo3ai.io.

Часто задаваемые вопросы

Veo 3 действительно генерирует произносимую озвучку или только звуковые эффекты? Да — Veo 3 генерирует настоящую произносимую речь, а не только эффекты. Поместите точные слова в кавычки в промпте и опишите голос. Он может говорить как закадровый диктор или как видимый персонаж с синхронизацией губ.

Как сделать голос закадровым, а не говорящей головой? Не помещайте говорящего человека в кадр. Опишите визуальный ряд (продукт, перебивки, пейзаж) и обозначьте голос как «закадровый диктор». Без рта в кадре Veo 3 прочитает голос как закадровый поверх визуального ряда.

Почему Veo 3 обрезает конец моей закадровой реплики? Реплика слишком длинная для клипа. Естественная подача идёт примерно по 2–3 слова в секунду, поэтому 8-секундный клип вмещает примерно 16–22 слова. Сократите реплику или разбейте её на клипы.

Как сохранить один и тот же голос диктора в нескольких клипах? Повторяйте описание голоса дословно в каждом промпте — те же возраст, пол, акцент и тон. Модель воспроизводит то, что вы держите одинаковым, как и визуальное постоянство персонажа.

Может ли Veo 3 делать озвучку на других языках или с акцентами? Да. Прямо называйте акцент («мягкий французский акцент», «нейтральный американский») для акцентированной подачи или напишите реплику в кавычках на другом языке и укажите этот язык в режиссуре. Всегда переслушивайте неанглийские результаты, чтобы проверить качество.

Использовать нативный голос Veo 3 или отдельный инструмент синтеза речи? Для коротких видео, рекламы и социальных роликов нативная генерация быстрее, а голос автоматически совпадает со сценой и движением губ. Для очень длинных сценариев или конкретного лицензированного голоса отдельный проход синтеза речи поверх собранного материала даёт больше редакторского контроля.