Self-hosted синтез мовлення з клонуванням голосу на Coqui TTS

Self-hosted синтез мовлення з клонуванням голосу

Ми часто стикаємося з ситуацією, коли клієнту потрібен якісний синтез мовлення українською, але використовувати хмарні API (Google Cloud TTS, Amazon Polly) не можна — дані йдуть третій стороні, а щомісячні рахунки за тисячі хвилин можуть перевищити бюджет стартапу. Coqui TTS вирішує обидві проблеми: це open-source бібліотека, яку можна розгорнути на власних серверах, і вона підтримує донавчання під будь-які голоси.

При типовому навантаженні 100 000 символів на місяць self-hosted Coqui TTS економить до $500 порівняно з Google Cloud TTS. Ми інтегрували Coqui TTS у продакшн для кількох фінтех-проектів (IVR, голосові асистенти) і накопичили досвід з вибору моделі, налаштування інференсу та оптимізації latency. У цій статті розповімо, як швидко підняти TTS на своїх потужностях, які моделі реально працюють українською, і як досягти якості, не відмінної від живого диктора.

Клієнти часто приходять із завданням зробити голосового асистента в CRM або IVR-систему. Типові вимоги: голос має звучати природно, підтримувати паузи та інтонації, а також вміти говорити на специфічних термінах. Хмарні API або не мають потрібного голосу українською, або коштують дорого при великих обсягах. Ми пропонуємо альтернативу — Coqui TTS на вашому GPU.

Механізм клонування голосу в XTTS v2

Одна з ключових можливостей Coqui — це клонування голосу за референсним аудіо. Модель XTTS v2 приймає на вхід короткий запис (3–10 секунд) і синтезує мовлення з тим же тембром. Ми використовуємо цей підхід для генерації голосів віртуальних асистентів — достатньо однієї хвилини мовлення диктора, щоб модель відтворювала інтонації та манеру.

from TTS.api import TTS

# Ініціалізація XTTS v2
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Синтез українською
tts.tts_to_file(
    text="Привіт! Це приклад синтезу мовлення українською мовою.",
    speaker_wav="reference_speaker.wav",  # референсний голос (3–10 сек)
    language="uk",
    file_path="output.wav"
)

# Потоковий синтез (chunks)
for chunk in tts.tts_with_vc_streaming(
    text="Довгий текст для потокового синтезу",
    speaker_wav="reference.wav",
    language="uk"
):
    # обробляємо chunk аудіо
    pass

Чому Coqui TTS краще за хмарні сервіси?

Порівняння ключових характеристик:

Це порівняння показує, що для високонавантажених проектів або суворих вимог до privacy self-hosted TTS — єдиний розумний вибір.

Які моделі підходять для української мови?

З коробки Coqui TTS підтримує українську в моделях VITS та XTTS v2. VITS — легка модель для базового синтезу, XTTS v2 — мультимовна з клонуванням. Ми рекомендуємо XTTS v2 для production: якість близька до комерційних рішень, а швидкість достатня для real-time.

tts = TTS("tts_models/uk/cv/vits")  # українська VITS модель
tts.tts_to_file(
    text="Привіт світ",
    file_path="output.wav"
)

Як ми інтегруємо Coqui TTS у ваш проект

Наш підхід — не просто "встановити бібліотеку". Ми проводимо аудит, підбираємо модель під навантаження (до 100 запитів/сек? потрібен Triton), оптимізуємо latency через batch inference та FP16.

Процес роботи:

1. Аналіз — вимоги до голосу, мова, навантаження, сценарій використання (IVR, подкасти, асистент).
2. Вибір моделі — XTTS v2, VITS або донавчена під замовника.
3. Інтеграція — FastAPI обгортка, Kubernetes деплой, моніторинг.
4. Донавчання (fine-tuning) — при необхідності покращуємо дикцію, прибираємо артефакти.
5. Тестування — вимірювання latency p99, MOS-оцінка якості.
6. Деплой — у вашу інфраструктуру або наш managed сервер.

Що входить в роботу

• Готова FastAPI-обгортка з ендпоінтами /tts та /clone.
• Docker-контейнер для деплою на GPU.
• Документація API (OpenAPI spec).
• Скрипти тестування продуктивності.
• Рекомендації щодо вибору GPU (від RTX 3060 до H100).
• 1 місяць підтримки після здачі.

Ми гарантуємо, що синтез працюватиме з latency <200 мс (p99) при однопоточному інференсі (XTTS v2 на RTX 3080). Базова інтеграція займає від 2 до 5 днів залежно від складності. Якщо потрібне донавчання моделі — додається ще 1–2 дні на обчислення.

Спираючись на наш досвід (понад 20 проектів з TTS, 5 років на ринку AI/ML), ми підбираємо оптимальний баланс між якістю та швидкістю. Зв'яжіться з нами для розрахунку вашого проекту — ми безкоштовно оцінимо завдання та запропонуємо архітектуру рішення.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.