Озвучка презентации webrtc-komaroff — 17.09.2026

Каждая карточка показывает, что действительно запускалось, на какой машине и сколько занял синтез. Если времени нет, это написано прямо: длительность MP4 не равна времени генерации. «ОЗУ» у локальных моделей — измеренный пик процесса, а 15 GiB — объём установленной памяти компьютера, не минимальное требование. Цены и квоты проверены 17.09.2026; перед новым запуском их нужно сверить снова.

Подробный разбор лицензий и лимитов удалённых сервисов охватывает Fish Audio, TTSMaker, TeraTTS Space, Edge Read Aloud, Google TTS/STT, Azure и ElevenLabs. Включён также отдельный опыт полного Fish-ролика из связанного чата: 50 фраз, разовый голосовой референс и явная пометка о синтетическом голосе. При копировании/публикации этого варианта право на голос и запись требует самостоятельной проверки; сообщение пользователя о разрешении не равно такой проверке.

Локальный стенд: Ubuntu x86_64, AMD Ryzen 7 7730U (16 логических CPU, AVX2), 15 GiB RAM, без NVIDIA GPU. Короткие замеры сделаны на одинаковой русской фразе: два запуска каждого движка с загрузкой модели и записью WAV, CPU ограничен четырьмя потоками. Речь в 10-секундных пробах дополнена тишиной; для скорости берётся длительность сырого аудио без этой тишины. Исходная сборка полных роликов по времени синтеза не протоколировалась. Слушать все пять проб, скрипт теста, журнал установки и QC основных версий.

Озвучка, которая дала готовые ролики

Piper — Denis (сайт и модель, GitHub движка)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U, 4 потока CPU; GPU не использовалась.
• ОЗУ: пик процесса ≈257 MiB; компьютер с 15 GiB RAM.
• Веса: ru_RU-denis-medium.onnx, 63 201 294 байта (≈60 MiB); размер Python-среды не измерен.

Скорость: 8,440 с речи за 1,69 и 1,62 с подготовки (≈5,0–5,2× реального времени). Это короткий повторный тест, не замер полной сборки.

Условия: без аккаунта, сети после загрузки весов и лимита символов. Датасет голоса — CC0; у движка отдельная GPL-3.0.

Демо: первоначальный объясняющий ролик, 19 сцен, 199,633 с; короткая проба нормализована и дополнена тишиной до 10 с.

Файлы: полный MP4, 10-секундный WAV.

Silero v5.5 RU — Xenia (сайт, GitHub моделей)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U, 4 потока CPU; GPU не использовалась.
• ОЗУ: пик процесса ≈632 MiB; компьютер с 15 GiB RAM.
• Веса: общий v5_5_ru.pt, 145 420 684 байта (≈139 MiB); Python-среда с CPU PyTorch 2.8 и NumPy ≈800 MiB на диске.

Скорость: 8,488 с речи за 3,64 и 3,13 с подготовки (≈2,3–2,7×). Полный ролик в этой метрике не измерялся.

Условия: после скачивания работает без TTS-сервиса и квот. Лицензия модели CC BY-NC-SA 4.0: коммерческое применение не следует считать разрешённым.

Демо: основная полная версия, 19 сцен, 188,133 с. output/webrtc-komaroff-explainer.mp4 — её копия, не новая озвучка.

Файлы: полный MP4, 30-секундный фрагмент, 10-секундный WAV.

Silero v5.5 RU — Aidar (сайт, GitHub моделей)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U, 4 потока CPU; GPU не использовалась.
• ОЗУ: пик процесса ≈641 MiB; компьютер с 15 GiB RAM.
• Веса: те же v5_5_ru.pt ≈139 MiB; среда ≈800 MiB на диске, повторное скачивание для этого голоса не нужно.

Скорость: 9,700 с речи за 3,08 и 3,09 с подготовки (≈3,1×). Полный ролик в этой метрике не измерялся.

Условия: без API-квоты и передачи текста в облако; та же CC BY-NC-SA 4.0.

Демо: мужской голос, полный ролик из 19 сцен, 224,433 с.

Файлы: полный MP4, 30-секундный фрагмент, 10-секундный WAV.

Silero v5.5 RU — Eugene (сайт, GitHub моделей)

локальный

Ресурсы:

• Процессор: тот же Ryzen 7 7730U, CPU в 4 потока; GPU не использовалась.
• ОЗУ: отдельный пик процесса для Eugene не записан; компьютер с 15 GiB RAM.
• Веса: тот же v5_5_ru.pt ≈139 MiB и среда ≈800 MiB на диске.

Скорость: не измерялась отдельно; 174,300 с — длительность ролика, не время синтеза.

Условия: без API-квоты; та же CC BY-NC-SA 4.0.

Демо: третий голос на том же 19-сценном сценарии.

Файлы: полный MP4, 30-секундный фрагмент.

Fish Audio s2.1-pro-free — женский голос (сайт, GitHub официального SDK)

сторонний

Ресурсы:

• Процессор: синтез на сервере Fish, характеристики не раскрыты; наш Ryzen использовался только для сборки MP4.
• ОЗУ: серверный расход не раскрыт; локальная GPU не требовалась.
• Веса: на сервере, локально не скачивались; нужны сеть и API-ключ.

Скорость: время API-запросов не фиксировалось; 20,000 с — видео с паузами и заставкой, не время генерации. После получения MP3 применён FFmpeg atempo 1.14.

Условия: модель $0 за 1 млн UTF-8 байт — это ставка, не предел объёма; 5 одновременных запросов на начальном уровне, fair use без жёсткого месячного предела. Бесплатный период заявлен до 30.11.2026; SLA нет, запросы могут использоваться для улучшения модели. Общие условия Fish ограничивают бесплатное использование некоммерческими сценариями; подробности и пересчёт на русскую речь — в разборе.

Демо: 20 секунд объяснения по первым двум сценам, готовый женский русскоязычный голос; четыре API-запроса вернули MP3. Сохранён и первоначальный более медленный вариант.

Файлы: ускоренный MP4, первоначальный темп.

Fish Audio s2.1-pro-free — мужской голос (сайт, GitHub официального SDK)

сторонний

Ресурсы:

• Процессор: синтез на сервере Fish; наш Ryzen использовался для сборки MP4, не TTS.
• ОЗУ: серверный расход не раскрыт; локальная GPU не требовалась.
• Веса: на сервере; локально нужны сеть и API-ключ.

Скорость: время четырёх API-запросов не записано; 20,000 с — длина видео, не задержка сервиса. После получения MP3 применён atempo 1.04.

Условия: те же $0 за 1 млн UTF-8 байт и 5 одновременных запросов, fair use, срок до 30.11.2026 без SLA; текст передаётся Fish. Бесплатность не даёт коммерческих прав: подробный разбор.

Демо: тот же 20-секундный сюжет мужским голосом; сохранена более медленная первоначальная версия.

Файлы: ускоренный MP4, первоначальный темп.

Fish Audio s2.1-pro-free — синтетический голос по референсу (сайт, GitHub официального SDK)

сторонний

Ресурсы:

• Процессор: синтез на сервере Fish; локальный Ryzen использовался для подготовки и видеосборки.
• ОЗУ: серверный расход неизвестен; локальный пик не измерен.
• Веса: на сервере; использован 19,4-секундный звуковой образец и fish-audio-sdk 1.3.0.

Скорость: 50 фраз → 50 MP3; время этих API-вызовов не записано. 224,900 с — длительность готового видео, не длительность генерации.

Условия: те же бесплатная модель и fair use без SLA; текст и образец отправлены Fish. Пользователь заявил о разрешении на использование записи и голоса; независимой проверки прав не было. Создавалась разовая имитация без постоянной модели голоса. Права, ограничения и противоречие условий Free.

Демо: полный 19-сценный ролик, 50 субтитров; постоянная надпись сообщает, что голос синтетический и это не реальное выступление или поддержка проекта.

Файлы: полный MP4, 30-секундный пилот, проверка.

Короткие пробы и варианты без собственного демо

TeraTTSv2 — ru_f1 (сайт и модель, GitHub: официальная ссылка не подтверждена)

сторонний

Ресурсы:

• Процессор: проба сделана на сервере Space автора; его CPU/GPU неизвестны.
• ОЗУ: расход сервера неизвестен; на нашем компьютере модель не запускалась.
• Веса: на стороне Space; размер используемого набора не измерен.

Скорость: время удалённого вызова не записано; WAV дополнен тишиной до 10 с.

Условия: публичный Space ответил без аккаунта. В текущем коде Space — максимум 4000 символов на вызов и одна одновременная генерация; доступность не гарантирована. Лицензия весов для публикации не прояснена; MIT приложения Space её не заменяет. Подробности.

Демо: одна и та же тестовая фраза, что у Piper и Silero; в полный ролик не вошла.

Файл: 10-секундный WAV.

Microsoft Edge Read Aloud — Dmitry (сайт, GitHub неофициального клиента)

сторонний

Ресурсы:

• Процессор: синтез выполнялся удалённо у Microsoft; параметры сервера неизвестны.
• ОЗУ: серверный расход неизвестен; локальный клиент не измерялся.
• Веса: на стороне Microsoft; локально не скачивались.

Скорость: время запроса не измерялось; голос ru-RU-DmitryNeural запрошен с --rate +14% для короткой пробы.

Условия: ключ не потребовался, но edge-tts обращается к потребительскому Read Aloud, не к официальному Azure Speech API. Контракт, квота и права на автоматизированный выпуск аудио по этому пути не подтверждены; подробности.

Демо: короткая тестовая фраза в WAV с тишиной до 10 с; в полный ролик не вошла.

Файл: 10-секундный WAV.

Chatterbox Multilingual V3 (сайт и модель, GitHub)

локальный

Ресурсы:

• Процессор: авторы допускают CPU, но на нашем Ryzen без NVIDIA GPU не проверялось.
• ОЗУ: минимум и пик процесса неизвестны; наши 15 GiB не подтверждают пригодность.
• Веса: модель на 500 млн параметров; размер скачивания и занимаемая память здесь не измерены.
• Среда: разработчики тестировали Debian 11/Python 3.11; текущие зависимости включают PyTorch/Torchaudio 2.6.0, не нашу Silero-среду с 2.8.

Скорость: локального синтеза и замера не было. Заявленную скорость англоязычных Turbo/Nano нельзя переносить на русский V3.

Условия: русский ru поддерживается, модель и код помечены MIT. При локальном запуске нет посимвольного API-лимита, но нужны собственные вычисления и права на любой чужой голосовой референс.

Демо: нашего файла нет; официальная интерактивная проба V3 не содержит наш сценарий.

Файл: отсутствует — модель не была установлена или протестирована в этой серии.

TTSMaker — Lukin 567 (сайт, GitHub: официального репозитория API не найдено)

сторонний

Ресурсы:

• Процессор: синтез на сервере TTSMaker, характеристики неизвестны.
• ОЗУ: серверный расход неизвестен; локальная GPU не нужна.
• Веса: на стороне сервиса; нужен браузер и сеть либо платный API-ключ.

Скорость: не измерялась — аудио не получено.

Условия: веб-Free — 20 000 символов/неделю, CAPTCHA, без API; общий текущий лимит 500 символов/конвертацию расходится с показанными ранее 1000 для голоса 567. Четыре подготовленных фрагмента длиннее 500. Прямой вызов внутреннего endpoint получил HTTP 403/Cloudflare challenge; обход и боты запрещены. Официальный API v2 требует Pro/Studio: пример Pro Mini — $23,99/месяц, 600 000 символов/месяц, максимум 20 000 символов/запрос и 1 запрос/с; «Unlimited» на сайте не даёт безлимитного API. Детальный разбор лицензии, очереди и срока хранения.

Демо: четыре текстовых фрагмента (865/780/897/551 символ) готовы, но MP3/SRT/MP4 нет; блокер — CAPTCHA и отсутствие API на Free.

Файл: аудиодемо отсутствует; описание заготовок.

Google Cloud Text-to-Speech — Chirp 3 HD (сайт и цены, GitHub примеров Google)

сторонний

Ресурсы:

• Процессор: вычисления Google, характеристики не раскрыты.
• ОЗУ: серверный расход неизвестен; клиентский не измерялся.
• Веса: на сервере; нужны GCP-проект, сеть и включённый биллинг.

Скорость: запросов не делали; времени генерации нет.

Условия: 1 млн символов/месяц без платы, затем $30/млн; превышение тарифицируется, нужен включённый биллинг. До 5000 байт/запрос и 200 запросов Chirp3 в минуту на проект. Детальный разбор.

Демо: не подготовлено: не было согласованного GCP-проекта и режима передачи текста.

Файл: отсутствует.

Azure AI Speech — Neural TTS (сайт и цены, GitHub примеров Microsoft)

сторонний

Ресурсы:

• Процессор: вычисления Azure; параметры сервера неизвестны.
• ОЗУ: серверный расход неизвестен; клиентский не измерялся.
• Веса: на сервере; нужны Azure Speech ресурс, сеть и ключ.

Скорость: запросов не делали; времени генерации нет.

Условия: F0 — 0,5 млн символов/месяц; 20 операций/60 с, не более 10 минут выходного аудио за запрос. Это ограниченная бесплатная квота, не право на любой способ использования. Детальный разбор.

Демо: не подготовлено: не было подключённого ресурса/ключа.

Файл: отсутствует.

ElevenLabs (сайт и цены, GitHub официального SDK)

сторонний

Ресурсы:

• Процессор: вычисления ElevenLabs, параметры сервера неизвестны.
• ОЗУ: серверный расход неизвестен; клиентский не измерялся.
• Веса: на сервере; нужны учётная запись, сеть и API-ключ.

Скорость: запросов не делали; времени генерации нет.

Условия: Free — 10 000 общих кредитов/месяц, расход на символ зависит от модели. Бесплатный план только для некоммерческого использования, а публикация Free-аудио требует атрибуции; коммерческая лицензия начинается с Starter. Детальный разбор.

Демо: не подготовлено: не было разрешённого доступа. Бесплатная квота не означает безлимит.

Файл: отсутствует.

Инструменты видеосборки и проверки — не TTS-движки

anything2explainer (описание проекта, GitHub)

локальный

Ресурсы:

• Процессор: сборка на Ryzen 7 7730U, а не синтез в самом toolkit.
• ОЗУ: пик отдельно не измерялся; компьютер с 15 GiB RAM.
• Веса: модель TTS не входит; видеозависимости проекта node_modules ≈364 MiB на диске.

Скорость: не применимо — это шаблон и компоненты ролика, а не генератор голоса; общее время изготовления не записано.

Условия: лицензия исходного toolkit сохранена отдельно; использованы шаблон, часть компонентов и Codex-навык.

Демо: сцены и предметные схемы всей серии; сценарий создан отдельно по исходникам проекта.

Файл: основной MP4 с Xenia.

Remotion, React и TypeScript (сайт, GitHub)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U для рендера, Chrome 152, Node 22.14, pnpm 11.19.
• ОЗУ: пик рендера не измерен; компьютер с 15 GiB RAM.
• Веса: TTS-модели нет; node_modules всей видеосборки ≈364 MiB на диске.

Скорость: к синтезу голоса не относится; время рендера не записано.

Условия: Remotion 4.0.507, React 19.2.8, TypeScript 5.9.3; у Remotion собственные условия лицензии.

Демо: анимация 19 сцен, 1920×1080, 30 кадров/с, с синхронизацией по длительности каждого голоса.

Файл: полный MP4.

FFmpeg / ffprobe (сайт, GitHub-зеркало)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U; использована версия FFmpeg 6.1.1.
• ОЗУ: пик операций не измерен; компьютер с 15 GiB RAM.
• Веса: модель отсутствует; размер установленного FFmpeg не измерен.

Скорость: время декодирования, сведения и кодирования не записано; это не время TTS.

Условия: локальная обработка без API-квот; atempo, паузы, нормализация и упаковка H.264/AAC. Условия сборки FFmpeg зависят от включённых кодеков.

Демо: Fish Audio MP3 приведены к общему 20-секундному таймлайну, темп увеличен без изменения высоты голоса.

Файл: женский Fish MP4 после ускорения.

faster-whisper small (страница пакета, GitHub)

локальный

Ресурсы:

• Процессор: Ryzen 7 7730U, режим CPU/int8; GPU не использовалась.
• ОЗУ: пик распознавания не записан; компьютер с 15 GiB RAM.
• Веса: модель small; фактический размер скачивания здесь не измерен.

Скорость: не записана; это распознавание речи, не озвучка.

Условия: локальная проверка без облачного API; ASR-сопоставление не доказывает на слух качество голоса. Для полной Fish-версии 48/50 фраз достигли word-match ≥0,70, но человеческое прослушивание не проводилось.

Демо: проверены образец голоса и 50 блоков полной Fish-версии.

Файлы: полный MP4, отчёт ASR/QC.

Google Cloud Speech-to-Text (сайт и цены, GitHub примеров Google)

сторонний

Ресурсы:

• Процессор: облако Google; локально не использовался.
• ОЗУ: не измерено.
• Веса: на сервере; нужны проект, сеть и биллинг.

Скорость: вызовов не было. Это сервис распознавания аудио в текст, не синтеза голоса.

Условия: V1 — первые 60 аудиоминут/месяц бесплатно; V2 — от $0,016/мин, dynamic batch от $0,003/мин. Не путать эти тарифы с Google TTS; разбор версий и квот.

Демо: отсутствует; для проверки Fish использован локальный faster-whisper.

Файл: отсутствует.

Две самостоятельные HTML-презентации были сделаны 16.09.2026, до этой серии озвучки: webrtc-komaroff и py_faster_whisper. Они без TTS, поэтому не приписаны голосам выше. Содержание MP4 основано на снимке webrtc-komaroff 772de4a, а не на подтверждённом текущем состоянии кластера.