| --- |
| license: cc-by-4.0 |
| language: |
| - ru |
| pipeline_tag: text-to-speech |
| library_name: pocket-tts |
| base_model: kyutai/pocket-tts |
| base_model_relation: finetune |
| tags: |
| - text-to-speech |
| - pocket-tts |
| - russian |
| - audiobook |
| - voice-cloning |
| --- |
| |
| # Shtorm-PocketTTS-RU v2 «версия 2, 01.10.2026» |
|
|
| Русская модель для [pocket-tts](https://github.com/kyutai-labs/pocket-tts) (Kyutai), |
| заточенная под **чтение книг**: ровная книжная подача, живая интонация, |
| клонирование голоса по короткому рефу. |
|
|
| > Запускайте по примеру из раздела [Запуск](#запуск). Автоматический пример в кнопке |
| > «Use this model» использует английский текст и английский голос — латиница моделью |
| > пока не поддерживается. |
|
|
| - архитектура оригинального pocket-tts: 6 слоёв, ~100M параметров — быстро и на CPU; |
| - токенизатор SentencePiece на русском корпусе (4000 токенов), общий для обеих моделей. |
|
|
| ## Две модели: fast и slow |
|
|
| Разница в подаче, а не в качестве: |
|
|
| - **fast** (`config_fast.yaml`, он же `config.yaml`) — бодрее и живее: шире интонация, |
| медленные голоса не тянут. На быстрых голосах может строчить. |
| - **slow** (`config_slow.yaml`) — спокойнее: свободнее паузы, ровнее тон. |
| На медленных голосах может тянуть. |
|
|
| На одной и той же главе разница около 7% по времени (11:01 против 11:48). |
| Это замер на голосе с длинными паузами — на более быстрых голосах разница между моделями будет уменьшаться. |
| Какая лучше — зависит от голоса и вкуса, попробуйте обе. |
|
|
| ## Предыдущие версии |
|
|
| **v1 (26.09.2026)** — первая версия: спокойная, размеренная книжная подача. |
| Подача спокойнее и ровнее, чем у v2, но на медленных голосах и длинных фразах |
| может «тянуть» и затухать к концу куска. Если она вам нравилась больше — она |
| никуда не делась: файлы в папке [`v1/`](https://huggingface.co/ArtShtorm/Shtorm-PocketTTS-RU/tree/main/v1), |
| запуск через `v1/config.yaml`. |
|
|
| Токенизатор у v1 и v2 одинаковый. |
|
|
| ## Цифры |
|
|
| Замеры **v1**, 7 голосов x 5 сидов, книжный абзац / диалог: |
|
|
| | CER (разборчивость) | UTMOS (качество звука) | обрывы | |
| |---|---|---| |
| | 1.6% / 4.0% | 3.64 / 3.52 | 0 из 70 | |
|
|
| ## Запуск |
|
|
| ```python |
| from pocket_tts import TTSModel |
| import scipy.io.wavfile |
| |
| # fast (по умолчанию): |
| model = TTSModel.load_model(config="hf://ArtShtorm/Shtorm-PocketTTS-RU/config.yaml") |
| # slow — спокойная подача: |
| # model = TTSModel.load_model(config="hf://ArtShtorm/Shtorm-PocketTTS-RU/config_slow.yaml") |
| |
| voice = model.get_state_for_audio_prompt("my_voice.wav") |
| audio = model.generate_audio(voice, "Се́рое не́бо висе́ло над го́родом.") |
| scipy.io.wavfile.write("out.wav", model.sample_rate, audio.numpy()) |
| ``` |
|
|
| Советы: |
|
|
| - **ударения** — знаком акута (U+0301), как в примере: модель училась на размеченном тексте; |
| - **реф** — 5 с чистой речи, законченная фраза: модель копирует из него тембр, темп и полосу; |
| - **куски до ~120-180 знаков**: на длинных громкость к концу проседает; |
| - **латиница пока не поддерживается** — английские слова и цифры перед синтезом нужно |
| нормализовать (записать по-русски). Поддержка латиницы — в планах. |
|
|
| ## Ограничения |
|
|
| - паузы на знаках препинания местами длинноваты; |
| - на длинных кусках — затухание громкости (лечится выравниванием громкости на выходе). |
|
|
| ## Лицензия и использование |
|
|
| CC-BY-4.0. Основа — [Kyutai pocket-tts](https://huggingface.co/kyutai/pocket-tts) © Kyutai Labs. |
| Клонирование голоса — только с явного согласия его владельца; не использовать для |
| выдачи себя за другого человека, дезинформации и иного вредного или незаконного использования. |
|
|
