---
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.