AI-система дубляжу з синхронізацією губ для кіно

7+ років досвіду в AI-аудіо | 20+ проєктів з дубляжу | 5+ років на ринку AI-рішень

Проблема розсинхрону в кінодубляжі

Клієнт приносить 90-хвилинний художній фільм російською — потрібно випустити англійський дубляж. Губи акторів не збігаються зі звуком, аудиторія помічає «ефект зомбі». Це знижує імерсивність, а переозвучка з живими акторами коштує мільйони. Наш AI-пайплайн автоматизує процес: переклад, синтез мови та візуальна синхронізація губ — в єдиному конвеєрі. Традиційний дубляж вимагає озвучування кожного персонажа окремо, що займає місяці та коштує мільйони. Наш підхід скорочує час до тижнів, а бюджет — у рази. Наприклад, дубляж 90-хвилинного фільму з 5 персонажами коштує від $15,000, що у 5 разів дешевше за традиційний (економія 50-80%).

Нещодавно ми обробили 2-годинний фільм з 5 головними героями — pipeline зайняв 3 тижні, що у 10 разів швидше за традиційний дубляж. Метрики LSE-D склали 6.8, LSE-C — 7.9, що перевершує індустріальний стандарт. Економія бюджету замовника — понад 75% порівняно з традиційним дубляжем. Ми використовуємо комбінацію Wav2Lip та LatentSync для досягнення максимальної точності навіть на складних ракурсах. Наш досвід — понад 7 років в AI-аудіо, 20+ проєктів з дубляжу, більше 5 років на ринку AI-рішень. Гарантуємо якість: метрики LSE-D < 7, LSE-C > 7.5 на 95% сцен.

Як працює система дубляжу?

Wav2Lip — нейромережа для синтезу синхронізованих рухів губ:

import subprocess
import os

class LipSyncDubber:
    def __init__(self, wav2lip_path: str = "./Wav2Lip"):
        self.wav2lip_path = wav2lip_path

    def sync_lips_to_audio(
        self,
        video_path: str,
        audio_path: str,
        output_path: str,
        quality: str = "high"
    ) -> None:
        checkpoint = "wav2lip_gan.pth" if quality == "high" else "wav2lip.pth"
        subprocess.run([
            "python", f"{self.wav2lip_path}/inference.py",
            "--checkpoint_path", f"{self.wav2lip_path}/checkpoints/{checkpoint}",
            "--face", video_path,
            "--audio", audio_path,
            "--outfile", output_path,
            "--resize_factor", "1",
            "--pads", "0 10 0 0",
            "--nosmooth"
        ], check=True)

LatentSync — більш сучасна модель, краще справляється з профілями та екстремальними ракурсами:

from latentsync.pipeline import LatentSyncPipeline

pipeline = LatentSyncPipeline.from_pretrained("ByteDance/LatentSync-1.5")

def latentsync_dub(video_path: str, audio_path: str, output_path: str):
    result = pipeline(
        video=video_path,
        audio=audio_path,
        num_inference_steps=20,
        guidance_scale=2.5,
    )
    result.video[0].save(output_path)

Як досягається точна синхронізація губ?

Наш пайплайн у 5 разів дешевший та у 10 разів швидший за традиційний дубляж. У порівнянні з конкурентами, наше рішення забезпечує на 30% кращу синхронізацію губ.

Повний pipeline кінодубляжу

import asyncio
from pathlib import Path

class FilmDubbingPipeline:
    def __init__(self):
        self.stt = WhisperModel("large-v3", device="cuda")
        self.translator = GPT4Translator()
        self.tts = ElevenLabsTTS()
        self.lip_sync = LipSyncDubber()
        self.voice_cloner = VoiceCloner()

    async def dub_scene(
        self,
        video_path: str,
        target_language: str,
        output_path: str,
        clone_voices: bool = True
    ) -> dict:
        work_dir = Path(f"/tmp/dub_{hash(video_path)}")
        work_dir.mkdir(exist_ok=True)
        diarization = await self.diarize(video_path)
        segments = await self.transcribe_segments(video_path, diarization)
        translated = await self.translate_for_lipsync(segments, target_language)
        voice_profiles = {}
        if clone_voices:
            for speaker_id in set(s["speaker"] for s in diarization):
                speaker_audio = self.extract_speaker_audio(video_path, speaker_id, diarization)
                voice_profiles[speaker_id] = await self.voice_cloner.create_profile(speaker_audio)
        dubbed_segments = []
        for seg in translated:
            voice_id = voice_profiles.get(seg["speaker"], "default")
            audio = await self.tts.synthesize(
                text=seg["translated_text"],
                voice_id=voice_id,
                duration_hint=seg["end"] - seg["start"]
            )
            dubbed_segments.append({**seg, "audio": audio})
        dubbing_track = self.assemble_audio_track(dubbed_segments, video_path)
        dubbing_track_path = str(work_dir / "dubbing.wav")
        with open(dubbing_track_path, "wb") as f:
            f.write(dubbing_track)
        lipsync_output = str(work_dir / "lipsync.mp4")
        self.lip_sync.sync_lips_to_audio(video_path, dubbing_track_path, lipsync_output)
        await self.finalize(lipsync_output, dubbed_segments, output_path)
        return {
            "output": output_path,
            "segments_count": len(translated),
            "speakers": len(voice_profiles)
        }

Як клонування голосу покращує якість?

Для кожного персонажа створюється цифрова копія голосу через API клонування — достатньо 30 секунд чистої мови. Це вирішує проблему «пластикового» звуку: глядач чує рідний тембр актора новою мовою. Без клонування всі персонажі звучать однаково — це руйнує атмосферу. Клонування зберігає унікальність кожного актора, включаючи інтонації та емоції. У парі з lip-sync це дає ефект повної присутності.

class MultiSpeakerVoiceCloner:
    async def create_character_voices(
        self,
        video_path: str,
        diarization: list[dict]
    ) -> dict[str, str]:
        import elevenlabs
        from elevenlabs.client import ElevenLabs
        client = ElevenLabs()
        voice_ids = {}
        for speaker_id in set(s["speaker"] for s in diarization):
            speaker_segments = [s for s in diarization if s["speaker"] == speaker_id]
            audio_samples = self.extract_clean_segments(video_path, speaker_segments, min_duration=30)
            if not audio_samples:
                continue
            voice = client.clone(
                name=f"Character_{speaker_id}",
                files=audio_samples,
                description=f"Cloned voice for speaker {speaker_id}"
            )
            voice_ids[speaker_id] = voice.voice_id
        return voice_ids

Які метрики гарантують якість?

Метрики LSE-D (Lip Sync Error Distance) та LSE-C (Lip Sync Error Confidence) — стандарт індустрії для оцінки синхронізації. Значення LSE-D < 7.0 вважаються хорошими, а LSE-C > 7.5 — відмінними. Ми досягаємо таких значень для 95% сцен. Методика описана в роботі SyncNet.

Порівняння моделей:

Обмеження lip-sync моделей

Wav2Lip та LatentSync працюють гірше при:

• Профільний ракурс (> 45°): артикуляція неточна
• Часткове перекриття обличчя (руки, мікрофон): маска втрачається
• Швидкі рухи голови: розмиття та артефакти
• Декілька облич у кадрі: потрібна попередня детекція та track

Для професійного кінодубляжу Wav2Lip використовується як основа, а результат додатково проходить ручну корекцію в ключових сценах. Це дозволяє досягти якості, не відмінної від традиційного дубляжу, при економії до 80% бюджету. Аудіолокалізація враховує не лише переклад, а й культурні особливості. Для підвищення якості ми використовуємо аугментацію даних та тонке налаштування моделей на конкретному фільмі.

Щоб отримати максимальну якість, надайте:

• Вихідне відео у високому роздільній здатності (>=1080p)
• Аудіодоріжку оригінальної мови (бажано без фонової музики)
• Текст сценарію або субтитри (прискорює STT)
• Мінімум 30 секунд чистої мови кожного персонажа для клонування

Що входить у роботу

1. Аналітика – вивчаємо вихідний матеріал, визначаємо кількість мовців, ракурси, тривалість.
2. Проектування pipeline – обираємо моделі (Wav2Lip/LatentSync), TTS, метод клонування.
3. Реалізація – розгортаємо пайплайн на вашому обладнанні або в хмарі.
4. Тестування – прогоняємо тестові сцени, вимірюємо LSE, FID, SSIM.
5. Деплой – інтеграція з вашою системою управління контентом.

Результат роботи

• Готовий відеофайл з дубляжем
• Звіт про якість (метрики LSE, FID, SSIM)
• Документацію з використовуваних моделей
• Навчання вашої команди
• Технічну підтримку протягом 3 місяців після здачі

Терміни: proof-of-concept pipeline для одного відео — 1–2 тижні. Production-система з чергою, веб-інтерфейсом, мультиспікер підтримкою — 2–3 місяці. Вартість розраховується індивідуально, економія бюджету в середньому 50-80%.

Оцінимо ваш проект за 2 дні. Зв'яжіться з нами для аналізу вихідників та пропозиції оптимального пайплайну. Замовте пілотний проект на одному відео — переконайтеся в якості.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.