# Сравнение русской озвучки для ролика о webrtc-komaroff

Проверено 17.09.2026. Это **прослушивание кандидатов**, а не замена голоса в готовом ролике или утверждение о production-пригодности сервиса.

## Как сравнивать

Все пять записей читают один текст:

> Здесь звук приходит короткими пакетами. Но задержку ответа нельзя сводить к сети: распознавание, сценарий и модель надо измерять отдельно.

Это нейтральный публичный текст, без внутренних данных проекта. Каждый файл — моно WAV, 48 кГц, ровно 10,000 с (480 000 отсчётов). Исходную речь не обрезали; в конце добавлена тишина. Для сопоставления применена одна настройка `ffmpeg loudnorm` с целью около −18 LUFS и пиком не выше −2 dBTP. Фактически измеренные значения: от −18,5 до −17,3 LUFS. Разница в темпе — свойство голоса, кроме Edge, где установлен `--rate +14%`, чтобы тот же текст помещался в 10 секунд.

| Вариант | Аудио | Где исполняется | Проверенное ограничение |
| --- | --- | --- | --- |
| Piper `ru_RU-denis-medium`, ориентир текущего ролика | [piper-denis-10s.wav](#archive-availability) | локально, CPU | Карточка модели указывает датасет CC0; репозиторий голосов помечен MIT. Лицензию движка проверять отдельно. |
| Silero `v5_5_ru`, `xenia` | [silero-xenia-10s.wav](#archive-availability) | локально, CPU | Модель под CC BY-NC-SA 4.0: не считать разрешённой для коммерческого применения. |
| Silero `v5_5_ru`, `aidar` | [silero-aidar-10s.wav](#archive-availability) | локально, CPU | Те же условия, другой мужской тембр. |
| TeraTTSv2 `ru_f1` через публичный Hugging Face Space | [teratts-ruf1-10s.wav](#archive-availability) | сервер автора Space | Лицензия кода Space MIT **не подтверждает лицензию весов модели**; публикация результата требует уточнения прав. |
| Microsoft Edge Read Aloud `ru-RU-DmitryNeural` через `edge-tts` | [edge-dmitry-10s.wav](#archive-availability) | облако Microsoft | Бесплатный доступ без ключа работает, но это не официальный Azure Speech API; гарантий доступности и ясного права на самостоятельное распространение аудио нет. |

### Что это за варианты

**Piper.** Небольшая локальная ONNX-модель; голос `denis` уже использован в исходном ролике. Не нужен аккаунт, исходный текст никуда не отправляется. Модель: [карточка `denis`](<https://huggingface.co/rhasspy/piper-voices/blob/main/ru/ru_RU/denis/medium/MODEL_CARD>), [репозиторий голосов](<https://huggingface.co/rhasspy/piper-voices>). Использованный ONNX SHA-256: `15fab56e11a097858ee115545d0f697fc2a316c41a291a5362349fb870411b0a`.

**Silero.** Локальная русская модель с несколькими готовыми голосами и расстановкой ударений. Аккаунт и поминутные платежи не нужны; для модели требуется PyTorch и скачивание файла около 139 МБ. В этой проверке использована [официальная `v5_5_ru.pt`](<https://models.silero.ai/models/tts/ru/v5_5_ru.pt>), SHA-256 `50081637b602126ee06cb3bc8a744d25651d2da149ee8864b9a379bfdd934437`. [Список голосов и оговорка о лицензиях](<https://github.com/snakers4/silero-models/blob/master/README.md>), [текст основной лицензии](<https://github.com/snakers4/silero-models/blob/master/LICENSE>). Исключение MIT для `v5_cis_base` **не относится** к использованной здесь `v5_5_ru`.

**TeraTTSv2.** Публичная демонстрация автора на [Hugging Face Space](<https://huggingface.co/spaces/TeraTTS/TTS>). Пробный вызов API без аккаунта сработал; текст отправлялся на сервер Space. Бесплатный Space может засыпать и не является гарантированным API для сборки роликов. [Карточка модели](<https://huggingface.co/TeraSpace/TeraTTSv2>) не содержит однозначно указанной лицензии весов; [вопрос автору](<https://huggingface.co/TeraSpace/TeraTTSv2/discussions/1>) остаётся важным. Поэтому этот голос — только оценочный пример, не готовый default для навыка и не основание считать его коммерчески или публично распространяемым.

**Edge Read Aloud.** Пакет [`edge-tts`](<https://github.com/rany2/edge-tts>) обращается к потребительскому онлайн-сервису Microsoft Edge; ключ Azure не нужен. Здесь синтезирован текст с `--rate +14%`. Это удобный экспериментальный ориентир тембра, но не официальный контракт для автоматизированного выпуска ролика. Не смешивать с лицензированным Azure Speech и не закладывать как единственный путь сборки.

## Официальные облачные TTS с бесплатными квотами — исследованы, но здесь без образца

Для этих сервисов нужен пользовательский проект/аккаунт/ключ; в рабочем окружении доступ не обнаружен. Подменять их голосом Edge или публичным аудио из документации было бы неверным сравнением. После получения разрешённого доступа можно синтезировать **тот же текст**, нормализовать и положить сюда ещё один 10-секундный фрагмент.

| Сервис | Бесплатный объём по текущей странице | Условия и пригодность |
| --- | --- | --- |
| [Google Cloud Text-to-Speech](<https://cloud.google.com/text-to-speech/pricing>), `ru-RU` Chirp 3 HD | 1 млн символов/месяц для Chirp 3 HD; после — $30 за 1 млн | Требуются GCP-проект и включённый биллинг, превышение квоты платное. [Русский язык поддерживается](<https://docs.cloud.google.com/text-to-speech/docs/chirp3-hd>). |
| [Azure AI Speech TTS](<https://azure.microsoft.com/en-us/pricing/details/speech/>), `ru-RU` Neural | F0: 500 тыс. символов/месяц | Нужны Azure-подписка и ресурс Speech; бесплатный уровень имеет ограничения нагрузки. [Русские голоса](<https://learn.microsoft.com/en-us/azure/ai-services/speech-service/language-support>). |
| [ElevenLabs](<https://elevenlabs.io/pricing>) | Free: 10 тыс. кредитов/месяц | Аккаунт/API-ключ; бесплатная публикация [только некоммерческая и с атрибуцией](<https://elevenlabs.io/text-to-speech>). Коммерческие права указаны начиная со Starter. |

Не отправлять закрытый сценарий или фрагменты репозитория в TTS-облако без согласованного разрешения. Даже бесплатная квота не равна бессрочному бесплатному сервису или праву на любой способ использования вывода.

## Отдельно: Google Speech-to-Text — не озвучка

[Google Cloud Speech-to-Text](<https://cloud.google.com/speech-to-text/pricing>) получает **аудио** и возвращает **текст**. Он не улучшает тембр, дикцию или качество звукового файла. Полезен как дополнительная проверка: распознать готовую дорожку и сравнить результат со сценарием; ошибки распознавания сами по себе не доказывают ошибку синтеза.

Важное различие прайса: у **STT V1** первые 60 минут аудио в месяц бесплатны; у **STT V2** в текущей таблице нет аналогичных бесплатных 60 минут, стандартное распознавание начинается с $0.016/мин, dynamic batch — $0.003/мин. Это не тарифы TTS. Для STT нужно включить биллинг в GCP-проекте, даже если использовать бесплатную квоту V1; опция V1 `data logging` отдельно разрешает использование отправленного аудио для улучшения моделей. [Настройка Google STT](<https://docs.cloud.google.com/speech-to-text/docs/setup>). Для русского `ru-RU` в [таблице V2](<https://docs.cloud.google.com/speech-to-text/docs/speech-to-text-supported-languages>) есть поддерживаемые модели. Реальный вызов STT без аккаунта не выполнялся.

## Вывод для навыка

Ближайший безопасный тест без внешней передачи текста — Silero против Piper на **полном** сценарии, с ручной проверкой ударений, названий сервисов и пауз. Но ограничение Silero NonCommercial надо сохранить в настройках и документации; не превращать его в безусловный default. Для официального облачного варианта сначала нужен аккаунт и согласованный режим данных; затем сравнить русские голоса Google Chirp 3 HD и Azure Neural на этом же тексте. Edge и TeraTTS оставить оценочными примерами до прояснения условий.

Сценарий готового ролика, мастер-аудио и сам `anything2explainer-codex` этой проверкой не изменялись.