MAATRIX / Блог / TTS на VPS: озвучка текста нейросетью

TTS на VPS: озвучка текста нейросетью

Блог MAATRIX · 2026-07-07

Синтез речи давно перестал звучать как робот. Свой TTS на VPS озвучивает статьи, книги и уведомления бота живым голосом — без подписок, лимитов на символы и отправки текстов в облако.

Содержание

  1. Какой движок выбрать
  2. Установка Piper
  3. Первая озвучка
  4. Coqui TTS для качества
  5. API-сервис озвучки
  6. Автозапуск и частые ошибки

Какой движок выбрать

['Для CPU-серверов есть два практичных варианта. Piper — быстрый, легкий, дает разборчивую речь и работает почти в реальном времени даже без GPU. Coqui TTS — тяжелее, но гибче и с более естественными голосами.', 'Разница проще, чем кажется. Piper — это готовый бинарник с предобученными голосами: подал текст, получил wav, скорость близка к мгновенной. Coqui — это фреймворк с более выразительной просодией и умением клонировать голос по образцу, но за это платишь памятью и временем расчета. Выбор зависит от того, что важнее: пропускная способность или максимальная естественность.', '
  • Piper — быстрый синтез, готовые голоса, идеален для CPU и ботов
  • Coqui TTS — качественнее, но требовательнее к ресурсам
', 'Начнем с Piper как самого дружелюбного к VPS без видеокарты.']

Нужен сервер под эту задачу?

Разверните VPS MAATRIX за пару минут: NVMe, AMD EPYC, root-доступ, локации UK и США. Оплата картой РФ и по СБП.

Арендовать VPS для TTS

Установка Piper

['Piper распространяется готовым бинарником — не нужно собирать зависимости:', '
apt update && apt install -y wget\nmkdir ~/piper && cd ~/piper\nwget https://github.com/rhasspy/piper/releases/latest/download/piper_linux_x86_64.tar.gz\ntar -xzf piper_linux_x86_64.tar.gz
', 'Скачиваем русский голос (модель .onnx и конфиг .json):', '
wget https://huggingface.co/rhasspy/piper-voices/resolve/main/ru/ru_RU/dmitri/medium/ru_RU-dmitri-medium.onnx\nwget https://huggingface.co/rhasspy/piper-voices/resolve/main/ru/ru_RU/dmitri/medium/ru_RU-dmitri-medium.onnx.json
']

Нужны сами нейросети для контента?

Генерируйте изображения, видео и озвучку нейросетями на falapi.io — десятки моделей в одном окне. Оплата картой РФ и по СБП.

Изображения и ВидеоАудио и звукИИ MAAT — Собеседник

Первая озвучка

['Подаем текст в piper и получаем wav-файл:', '
echo "Привет, это синтез речи на моем сервере." | \\\n  ./piper/piper --model ru_RU-dmitri-medium.onnx --output_file out.wav
', 'Piper читает текст из stdin, что удобно для пайплайнов: можно скормить ему вывод другой программы или содержимое файла. Синтез минуты речи на AMD EPYC у MAATRIX идет быстрее реального времени — сервер не станет узким местом.']

Coqui TTS для качества

['Если нужен более естественный голос и ты готов на большие ресурсы, ставь Coqui TTS:', '
python3 -m venv ~/tts-venv\nsource ~/tts-venv/bin/activate\npip install TTS
', 'Синтез с многоязычной моделью XTTS:', '
tts --text "Текст для озвучки на русском языке." \\\n  --model_name tts_models/multilingual/multi-dataset/xtts_v2 \\\n  --language_idx ru --out_path out.wav
', 'XTTS умеет клонировать голос по короткому образцу, но и весит больше, и считается медленнее — под это бери сервер с запасом RAM.']

API-сервис озвучки

['Оборачиваем Piper в HTTP-эндпоинт на FastAPI:', '
from fastapi import FastAPI\nfrom fastapi.responses import FileResponse\nimport subprocess, uuid\n\napp = FastAPI()\n\n@app.post("/say")\ndef say(text: str):\n    out = f"/tmp/{uuid.uuid4().hex}.wav"\n    subprocess.run(\n        ["/root/piper/piper/piper", "--model",\n         "/root/piper/ru_RU-dmitri-medium.onnx", "--output_file", out],\n        input=text.encode(), check=True)\n    return FileResponse(out, media_type="audio/wav")
', '
uvicorn app:app --host 127.0.0.1 --port 8002
', 'Такой эндпоинт превращает сервер в фабрику озвучки: бэкенд сайта шлет текст статьи и получает готовое аудио, Telegram-бот отвечает голосом, а система уведомлений проговаривает события. Поскольку Piper синтезирует быстрее реального времени, один сервер обслуживает поток коротких фраз без очередей.']

Автозапуск и частые ошибки

['Заверни сервис в systemd, чтобы озвучка была доступна всегда:', '
[Service]\nWorkingDirectory=/root/tts\nExecStart=/root/tts-venv/bin/uvicorn app:app --host 127.0.0.1 --port 8002\nRestart=always
', '
  • Металлический голос — возьми модель качества high вместо medium.
  • Модель не найдена — .onnx и .onnx.json должны лежать рядом.
  • Coqui грузится минуту — прогревай модель при старте, а не на первом запросе.
  • Обрезается длинный текст — режь на предложения и склеивай wav через ffmpeg.
']

Нужен сервер под эту задачу?

Разверните VPS MAATRIX за пару минут: NVMe, AMD EPYC, root-доступ, локации UK и США. Оплата картой РФ и по СБП.

Арендовать VPS для TTS

Нужны сами нейросети для контента?

Генерируйте изображения, видео и озвучку нейросетями на falapi.io — десятки моделей в одном окне. Оплата картой РФ и по СБП.

Изображения и ВидеоАудио и звукИИ MAAT — Собеседник

Частые вопросы

Piper или Coqui — что выбрать?

Piper для скорости и CPU-серверов: быстро, легко, разборчиво. Coqui/XTTS для максимально естественного голоса и клонирования, но нужны ресурсы.

Есть ли русские голоса?

Да. У Piper готовые русские голоса нескольких дикторов, XTTS тоже поддерживает русский через language_idx=ru.

Можно ли озвучивать длинные тексты?

Да, но разбивай на предложения и склеивай результат через ffmpeg — так синтез стабильнее и не упирается в лимиты длины.

Читайте также