Как сделать голос через нейросеть?

Голос делается двумя способами: берёшь готовый синтетический и кормишь ему текст, либо клонируешь чей-то по образцу. Тебе нужен первый. Второй ты хочешь по ошибке.

Пример из твоей же ситуации. Текст про рыбалку, минуты три. Ты вставляешь его как есть, сплошной простынёй, и получаешь то самое метро. Потому что живой человек читает не буквы, а смысл: он спотыкается, добавляет паузу перед важным, глотает окончания. Синтезатор читает ровно то, что видит.

Теперь как надо. Режешь текст на короткие фразы. Ставишь точку там, где в жизни выдохнул бы. Перед цифрами и названиями добавляешь паузу. Слово вроде жерлицы он прочитает через одно место, лезешь в разметку ударений и чинишь руками. Тридцать секунд такой возни дают больше, чем перебор пяти сервисов.

Про стыд за свой голос. Дикция у тебя, скорее всего, обычная, а не нравится тебе то, как ты звучишь в записи, и это происходит вообще со всеми людьми на планете. На канале про рыбалку живой дядька с неидеальной речью собирает лучше, чем безупречный робот, потому что робота слушать нечем. Микрофон за полторы тысячи и одеяло на стену творят чудеса.

Про голос знакомого. Не против это ещё не согласие. Возьми с него хотя бы сообщение в переписке, где написано, что разрешает использовать голос в роликах. Понадобится оно тебе ровно в тот день, когда вы поссоритесь.

Большая часть роботизированности лечится не сменой сервиса, а короткими фразами и расставленными паузами в самом тексте.

озвучиваю так ролики про мотоциклы. совет один, не гонитесь за красивым голосом, гонитесь за паузами. я первый месяц менял сервисы, а проблема была в тексте, писал как для чтения глазами