Технічний контекст
Я подивився на DramaBox від Resemble AI як на інструмент для реальної AI implementation, а не як на чергове демо з красивими семплами. Тут фокус не на нейтральному TTS, а на керованій подачі: емоції, зітхання, сміх, паузи, зміна інтонації за текстовою інструкцією.
І ось це вже цікавіше за звичайне «озвуч фразу». У промпті можна описати персонажа, манеру мовлення та саму режисуру репліки, а якщо потрібно, додати референс голосу довжиною від 10 секунд для voice cloning.
За заявою Resemble AI, модель вміє генерувати 48 kHz stereo audio і вбудовує водяний знак PerTh. Якщо референсу немає, вона вигадує голос за описом. Якщо референс є, намагається зберегти ідентичність і виконати потрібний стан, а не просто скопіювати тембр.
Мені сподобався сам зсув інтерфейсу: не «текст на вхід, wav на вихід», а майже «сцена плюс режисерська ремарка». Для аудіопродакшену, ігрових реплік та голосових інтерфейсів з характером це значно ближче до реальних завдань, ніж стандартний TTS API.
Але я б не плутав продуктовий реліз із доведеною дослідницькою перемогою. Публічно не вистачає нормальних benchmark-таблиць, latency-метрик, прозорих даних щодо архітектури та відтворюваних порівнянь з XTTS, StyleTTS2 та іншими expressive TTS системами.
Тобто висновок у мене простий: потенціал дуже сильний, але в продакшені все вирішать тести на довгих діалогах, стабільність тембру та передбачуваність промптингу. На коротких демо майже всі виглядають краще, ніж у реальній черзі завдань.
Вплив на бізнес та автоматизацію
Найбільше виграють ті, у кого голос уже став частиною продукту. Це студії, edtech, ігри, customer support та команди, які будують AI automation з голосовим шаром, а не просто чат поверх LLM.
Перший наслідок простий: дешевшає варіативність. Замість запису десяти дублів можна швидко зібрати кілька емоційних версій однієї репліки та вибрати робочу.
Другий важливіший: змінюється AI architecture голосових агентів. Якщо модель дійсно тримає стиль та емоцію стабільно, можна будувати більш людяні voice UX, але доведеться окремо вирішувати питання згоди, водяних знаків та політики використання клонів.
Програють ті, хто сподівається встромити таку модель у пайплайн без інженерної обв'язки. Ми в Nahornyi AI Lab якраз розбираємо такі місця для клієнтів: де потрібна AI integration, де краще залишити звичайний TTS, а де вже є сенс збирати кастомну озвучку або create an AI agent з живим голосом.
Якщо у вас голосовий продукт звучить занадто «роботом» і через це втрачає конверсію або утримання, давайте подивимось на сценарії. У Nahornyi AI Lab я зазвичай швидко розкладаю, де вистачить легкої AI automation, а де потрібна повноцінна AI solution development під ваш процес та аудиторію.