Запуск завершён здесь
Есть аудио, wall time, среда и локальный артефакт. Только этот статус подтверждает воспроизводимость на нашей машине.
Evidence deck · 21.09.2026
TTS: модели, голоса и честные границы теста
Все модели из исходных статей, Qwen3‑TTS Portable PRO и несколько голосов. На каждой карточке повторяется одна полоса измерений: аудио, время, RTF, память, среда и происхождение цифр.
Тестовый текст: 668 символов / 97 слов · референс вашего голоса: 20 с, mono · MP3 загружаются отдельными файлами
Метод
Сначала происхождение демо — потом впечатление от голоса
Модель отработала удалённо
Есть фактический результат и время запроса, но неизвестны очередь, точный GPU и warm/cold state.
Запись автора статьи
Подходит для прослушивания, но не доказывает наш запуск. Время рядом — измерение автора на его RTX 5070 / Ryzen 7500F.
Результата нет
Причина зафиксирована: квота, логин, OOM или незавершённый CPU‑прогон. Чужое аудио не выдаётся за наш тест.
Как сравнивать
На каждой карточке одна и та же полоса: источник → длительность аудио → время → RTF → память → среда. Для удалённого сервиса показывается request/audio, а не model RTF. «Derived» означает расчёт по записи и времени автора. H100 MIG остаётся гипотезой до собственного замера.
test-text.txt · voice reference: private input, not published · article provenance
Карточка 1 / 15
TeraTTSv2
Fixed Russian voices · ONNX Runtime · 44.1 kHz
текст
→
RUAccent
→
ONNX
→
sampler
→
WAV
ИсточникLOCAL CPU
Аудио42.36 с
Время3.59 с generation
RTF0.085
Памятьне записана
СредаRyzen 7 7730U · 8 threads
Что реально проверено
Результат4 готовых MP3
СредаRyzen 7 7730U · 8 threads
ru_f142.361 с речи за 3.594 с
Остальные10.078 с на 3 голоса
RTF0.079–0.086
Запуск и H100
Рациональный runtimeCPU pod · 4–8 vCPU · 4 GiB RAM · ONNX Runtime
H100Не нужен: CPU уже быстрее реального времени.
ЛицензияКарточка весов не даёт ясной лицензии — проверить до production.
Голоса и демо
Вывод
Практичный CPU‑кандидат, если устраивают встроенные голоса. Клонирования голоса нет.
Карточка 2 / 15
Qwen3‑TTS Portable PRO
Windows UI поверх официальных Qwen3‑TTS checkpoints
reference
→
Portable UI
→
Qwen Base
→
12Hz codec
→
WAV
ИсточникLOCAL upstream
Аудио8.88 с
Время295.20 с gen · 345.91 с total
RTF33.244
Память2.922 GiB peak RSS
СредаCPU · bfloat16 · UI не запускался
Что реально проверено
Кодcommit 0b3686e · просмотрен
Portable UIне запускался: Windows/CUDA
Upstreamофициальный qwen-tts 0.6B Base на CPU
Ваш голос8.88 с за 295.203 с
RemoteHF quota и ModelScope login заблокировали новый run
Запуск и H100
По README PortableWindows 10/11 · NVIDIA CUDA · минимум 8 GB VRAM · RAM 16 GB+ · сеть при первом запуске
H100 pilot0.6B: 1g.10gb; 1.7B: 2g.20gb. Это sizing‑гипотеза, не замер Portable.
Что это за проектНе отдельная модель: UI, voice profiles, multi-speaker orchestration и загрузка официальных Qwen checkpoints.
Голоса и демо
Вывод
Ваш голос генерирует upstream‑движок Qwen, которым пользуется Portable PRO; сам Windows‑интерфейс на этом Linux‑хосте не выдаётся за протестированный.
source inspection · Portable README · upstream · ModelScope blocker
Карточка 3 / 15
Qwen3‑TTS 1.7B VoiceDesign
Создание тембра по текстовому описанию · без reference audio
текст
→
voice description
→
1.7B LM
→
12Hz codec
→
WAV
ИсточникARTICLE
Аудио9.20 с demo
Время40.487 с CPU · 15.001 с GPU
RTF≈4.40 / 1.63 · derived
Памятьне опубликована
СредаRyzen 7500F / RTX 5070 · автор
Что реально проверено
Наш запускне выполнялся
Демозапись автора статьи
Авторский замер40.487 с CPU / 15.001 с GPU
Русскийофициально поддержан
Клонированиенет: это voice design
Запуск и H100
RuntimeОфициальный qwen-tts · CUDA для практической скорости
H100 pilot2g.20gb · 16–32 GiB RAM; подтвердить peak VRAM и p95.
Когда выбиратьНужен новый управляемый голос, а не копия конкретного человека.
Голоса и демо
VoiceDesignARTICLE DEMO · результат автора
MP3Вывод
Отдельная модель семейства. Нельзя переносить на неё качество и время Base‑клонирования.
Карточка 4 / 15
Qwen3‑TTS 1.7B CustomVoice
9 встроенных тембров + instruction control
текст
→
preset speaker
→
instruction
→
12Hz codec
→
WAV
ИсточникARTICLE
Аудио5.36 с demo
Времяотдельно не опубликовано
RTFнет данных
Памятьне опубликована
Средастенд автора · точный run не отделён
Что реально проверено
Наш запускне выполнялся
Демозапись автора статьи
Авторский режимCustomVoice
Русскийофициально поддержан
Клонированиенет: preset speakers
Запуск и H100
RuntimeОфициальный qwen-tts · 1.7B checkpoint
H100 pilot2g.20gb · 16–32 GiB RAM; измерить warm p95.
ПлюсТембр стабилен между репликами, есть управление стилем инструкцией.
Голоса и демо
CustomVoiceARTICLE DEMO · результат автора
MP3Вывод
Выбор для фиксированных голосов Qwen. Если нужен конкретный человеческий тембр, нужен Base, а не CustomVoice.
Карточка 5 / 15
Qwen3‑TTS 0.6B CustomVoice
Меньший preset‑voice checkpoint · без instruction control
текст
→
preset speaker
→
0.6B LM
→
12Hz codec
→
WAV
ИсточникNO RUN
Аудионет отдельного demo
Времянет данных
RTFнет данных
Памятьнет данных
Средане запускалась
Что реально проверено
Наш запускне выполнялся
Демоотдельного 0.6B CustomVoice нет
Голоса9 premium timbres
Русскийофициально поддержан
Streamingда, по model table
Запуск и H100
RuntimeОфициальный qwen-tts · CUDA
H100 pilot1g.10gb · 8–16 GiB RAM; подтвердить latency и запас VRAM.
Ограничение0.6B не поддерживает style instruction так, как 1.7B CustomVoice.
Голоса и демо
DEMO STATUSНе подменяем модель
Демо 1.7B CustomVoice не подписано как 0.6B. Ссылка ведёт в официальный Space для ручной проверки.
Вывод
Хороший кандидат на недорогой GPU‑пилот, но в этом пакете нет фактического аудио именно этой модели.
Карточка 6 / 15
Qwen3‑TTS 1.7B Base
3‑second voice clone · reusable prompt · 24 kHz
текст + reference
→
voice prompt
→
1.7B LM
→
12Hz codec
→
WAV
ИсточникLOCAL ABORTED
Аудионе создано
Время2260.64 с до остановки
RTFне вычисляется
Память5.012 GiB peak RSS
СредаCPU · bfloat16
Что реально проверено
CPUмодель загрузилась; WAV не создан
CPU wall37.7 мин до остановки
Peak RSS≈5.01 GiB
Remote voicesXenia + Aidar
Ваш голоспроверен на 0.6B upstream
Запуск и H100
Практический runtimeCUDA · bfloat16/float16 · FlashAttention 2 рекомендован
H100 pilot2g.20gb · 16–32 GiB RAM.
CPUЗагрузить можно, но длинная генерация непрактична для сервиса.
Голоса и демо
Вывод
Качество двух голосов сравнимо на одном тексте. Remote wall включает очередь и не является H100 benchmark.
Карточка 7 / 15
Qwen3‑TTS 0.6B Base
Меньший voice clone checkpoint · тот же Qwen tokenizer
ваш reference
→
speaker vector
→
0.6B LM
→
12Hz codec
→
WAV
ИсточникLOCAL CPU
Аудио8.88 с
Время295.20 с gen · 345.91 с total
RTF33.244
Память2.922 GiB peak RSS
СредаCPU · bfloat16 · x-vector
Что реально проверено
Локальный runзавершён
Ваш голос8.88 с
Generation295.203 с · RTF 33.244
Modex-vector only
Длинный runранее был заблокирован незавершённым download
Запуск и H100
CPU proofКороткий фрагмент возможен; для realtime‑сервиса не годится без отдельного SLA‑теста.
H100 pilot1g.10gb · 8–16 GiB RAM.
PortableИменно этот upstream checkpoint можно загрузить через Portable PRO.
Голоса и демо
Ваш голос · 0.6B BaseLOCAL CPU · x-vector
MP3AidarOFFICIAL SPACE
MP3Вывод
Это единственная Qwen‑карточка, где результат с вашим голосом получен локальным upstream‑движком. Portable UI по‑прежнему не запускался.
Карточка 8 / 15
VoxCPM2
2B tokenizer‑free TTS · voice design + cloning · 48 kHz
text / reference
→
TSLM + RALM
→
LocDiT
→
AudioVAE
→
48k WAV
ИсточникOFFICIAL SPACE
Аудио37.80 с · ваш голос
Время21.539 с request · 25.006 с total
Request/audio0.570 · не model RTF
Памятьсервер не сообщает
СредаHF Space · GPU неизвестен
Что реально проверено
Ваш голос37.8 с за 21.539 с
Female design30.12 с за 16.114 с
Male design29.952 с за 14.587 с
Local CPUпредыдущий run: OOM
Текст668 символов
Запуск и H100
Official requirementsPython ≥3.10,<3.13 · PyTorch ≥2.5 · CUDA ≥12 · около 8 GB VRAM
H100 pilot2g.20gb для запаса; 1g.10gb только controlled test без concurrency.
Clone inputРеференс 20 с / 16 kHz mono; transcript не использовался.
Голоса и демо
Вывод
Самый полный новый тест: один и тот же длинный текст, клон вашего голоса и два синтезированных тембра. Это remote run, не локальный H100 benchmark.
Карточка 9 / 15
Chatterbox Multilingual V3
0.5B · 23+ languages · optional reference voice · MIT
text
→
optional reference
→
0.5B model
→
vocoder
→
WAV
ИсточникARTICLE
Аудио8.78 с clone demo
Время31.63 с CPU · автор
RTF≈3.60 · derived
Памятьне опубликована
СредаRyzen 7500F · автор
Что реально проверено
Наш remote runZeroGPU quota до генерации
Ваш голосне загружался
Демоstandard + clone автора статьи
Авторский CPU31.63 с
Русскийесть в official V3 Space
Запуск и H100
LocalPython/PyTorch; для практической скорости нужен CUDA GPU
H100 pilot1g.10gb · 8–16 GiB RAM; измерить warm p95.
ЛицензияMIT по official model card/repository.
Голоса и демо
Вывод
Клонирование доступно, но демо вашего голоса сейчас не получено: квота закончилась до загрузки reference audio.
Карточка 10 / 15
ESpeech‑TTS‑1 RL‑V2
Russian voice cloning · reference audio + text
text + reference
→
speaker conditioning
→
TTS model
→
decoder
→
WAV
ИсточникLOCAL CPU
Аудио7.14 с · ваш голос
Время133.40 с generation
RTF18.694
Память4.607 GiB peak RSS
СредаRyzen 7 7730U · 8 threads · NFE 16
Что реально проверено
Наш запускзавершён, MP3 сохранён
Голосваш reference · 11.5 с
Generation133.40 с
Память4.607 GiB peak RSS
ASR‑контрольWebRTC / Core / NATS искажены
Запуск и H100
Local2.7‑GB checkpoint · PyTorch CPU · F5‑TTS · Vocos; измерено на 8 потоках
H100 pilot1g.10gb остаётся стартовой гипотезой; измерить warm p95 и VRAM.
ЛицензияApache‑2.0 по model card.
Голоса и демо
Ваш голос · NFE 16LOCAL CPU · fixed seed 1234
MP3Вывод
Локально запускается без GPU, но на этом CPU медленно: 7.14 секунды речи за 133.40 секунды. Русская фраза понятна, технические термины требуют нормализации.
local metrics + ASR check · reproduction script · model card
Карточка 11 / 15
F5‑TTS Russian
Base / accent_tune / v2 · reference‑conditioned flow matching
text + reference
→
text encoder
→
flow matching
→
vocoder
→
WAV
ИсточникLOCAL CPU
Аудио7.14 с · ваш голос
Время131.16 с generation
RTF18.379
Память3.366 GiB peak RSS
СредаRyzen 7 7730U · 8 threads · NFE 16
Что реально проверено
Наш запускv2 safetensors завершён
Голосваш reference · 11.5 с
Generation131.16 с
Память3.366 GiB peak RSS
ASR‑контрольCore понятен; WebRTC / NATS искажены
Запуск и H100
Local1.29‑GiB v2 safetensors · PyTorch CPU · F5‑TTS · Vocos; полный repo не нужен
H100 pilot1g.10gb остаётся стартовой гипотезой; проверить VRAM, p95 и concurrency.
ЛицензияCC‑BY‑NC‑4.0: коммерческий production без отдельного разрешения запрещён.
Голоса и демо
v1_Base_v2 · ваш голосLOCAL CPU · NFE 16 · seed 1234
MP3Вывод
Технически запускается локально, но CPU‑путь медленный: 7.14 секунды речи за 131.16 секунды. Для сервиса нужен GPU, а лицензия всё равно ограничивает коммерческое применение.
local metrics + ASR check · reproduction script · model card/license
Карточка 12 / 15
Silero TTS v5_ru
Лёгкий русский TTS · фиксированные голоса · CPU friendly
text
→
normalization
→
speaker
→
TTS
→
WAV
ИсточникLOCAL AUDIO
Аудио9.36 с · 2 голоса
Сборка0.348 с · не inference
RTFне измерялся
Памятьне записана
Средаlocal MP3 · Aidar + Xenia
Что реально проверено
Local voicesXenia + Aidar сохранены
Отдельно8.52 с / 9.74 с
Диалог9.36 с · Aidar → Xenia → Aidar
Native multi‑speakerнет: локальный монтаж
Клонированиенет
Запуск и H100
Рациональный runtimeCPU · PyTorch/ONNX; обычно GPU не нужен
H100Не нужен для обычной нагрузки; сначала CPU benchmark.
ЛицензияПроверять model.yml/repository для выбранного голоса и версии.
Голоса и демо
Вывод
Простой baseline для русского текста. Двухголосый файл показывает монтаж диалога из двух локальных голосов, но сама модель не переключает speakers внутри одного вызова.
Карточка 13 / 15
XTTS‑v2
Multilingual cloning · 16 languages · Coqui Public Model License
text + reference
→
speaker encoder
→
GPT encoder
→
decoder
→
WAV
ИсточникARTICLE
Аудио11.36 с demo
Время20.65 с CPU · 18.54 с GPU
RTF≈1.82 / 1.63 · derived
Памятьне опубликована
СредаRyzen 7500F / RTX 5070 · автор
Что реально проверено
Наш запускне выполнялся
Демозапись автора статьи
Авторский CPU20.65 с
Авторский GPU18.54 с
Official SpaceRUNTIME_ERROR при проверке
Запуск и H100
LocalCoqui TTS stack; CUDA предпочтительна
H100 pilot1g.10gb · 8–16 GiB RAM; измерить конкретную сборку.
ЛицензияCoqui Public Model License — проверить разрешённый use case до внедрения.
Голоса и демо
Voice cloneARTICLE DEMO
MP3Вывод
Известный baseline для клонирования, но hosted demo сейчас не подтверждает работоспособность, а лицензия требует отдельного чтения.
Карточка 14 / 15
HiggsAudio v2
Audio language model · expressive generation · cloning
text + prompt
→
audio LM
→
semantic tokens
→
decoder
→
WAV
ИсточникARTICLE
Аудио17.06 с demo
Время123.34 с CPU · 50.36 с GPU
RTF≈7.23 / 2.95 · derived
Памятьне опубликована
СредаRyzen 7500F / RTX 5070 · автор
Что реально проверено
Наш запускне выполнялся
Демозапись автора статьи
Авторский CPU123.34 с
Авторский GPU50.36 с
Статьярусский результат оценён как слабый
Запуск и H100
LocalТяжёлый audio‑LM stack; сверять текущую ветку/release с версией статьи
H100 pilotНачинать с 3g.40gb или полного GPU до измерения peak VRAM.
ВерсияТекущий репозиторий развивается; article demo относится к v2 и не доказывает v3.
Голоса и демо
HiggsAudio v2ARTICLE DEMO
MP3Вывод
Для русскоязычного WebRTC‑сервиса не выглядит первым кандидатом: дорого и, по исходной статье, хуже произношение.
Карточка 15 / 15
Что брать в следующий пилот
Решение зависит от задачи, а не от одного красивого голоса
use case
→
license
→
quality
→
latency
→
production
ИсточникDECISION
Аудиосводный слайд
Времясм. карточки моделей
RTFсравнивать по origin
Памятьизмерять в пилоте
СредаCPU и H100 MIG отдельно
Что реально проверено
CPU / fixedTeraTTSv2 или Silero
Clone qualityQwen Base / VoxCPM2
Voice designQwen 1.7B VoiceDesign / VoxCPM2
Local cloneESpeech и F5 проверены, но RTF ≈18
Не брать вслепуюF5 NC license · XTTS CPML · Higgs RU
Запуск и H100
Шаг 1Слушательская оценка MOS‑подобной группой на 20–30 одинаковых фразах.
Шаг 2H100 MIG: peak VRAM, cold/warm p50/p95, RTF, first‑chunk latency, concurrency 1/2/4.
Шаг 3Лицензия, контейнер, health/readiness и нагрузочный тест внутри целевого pipeline.
Голоса и демо
DEMO STATUSЭто не ещё одна модель
Слайд фиксирует решение: Tera/Silero для дешёвого fixed voice; Qwen/Vox для clone/design; ESpeech/F5 на CPU уже проверены, но слишком медленны для сервиса.
Вывод
Текущий лидер CPU‑пути — TeraTTSv2. ESpeech и F5 действительно работают локально с вашим голосом, но RTF около 18 и ошибки на WebRTC/NATS требуют GPU‑пилота и нормализации текста.
1 / 17
Управление
←/→, Page Up/Page Down и Space переключают слайды. Home/End — края. F — полный экран. При смене слайда аудио останавливается.