TTS на VPS: озвучка текста нейросетью

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.

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.

Установка Piper

Piper распространяется готовым бинарником — не нужно собирать зависимости:

apt update && apt install -y wget
mkdir ~/piper && cd ~/piper
wget https://github.com/rhasspy/piper/releases/latest/download/piper_linux_x86_64.tar.gz
tar -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
wget https://huggingface.co/rhasspy/piper-voices/resolve/main/ru/ru_RU/dmitri/medium/ru_RU-dmitri-medium.onnx.json

Первая озвучка

Подаем текст в piper и получаем wav-файл:

echo "Привет, это синтез речи на моем сервере." | \
  ./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
source ~/tts-venv/bin/activate
pip install TTS

Синтез с многоязычной моделью XTTS:

tts --text "Текст для озвучки на русском языке." \
  --model_name tts_models/multilingual/multi-dataset/xtts_v2 \
  --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
from fastapi.responses import FileResponse
import subprocess, uuid

app = FastAPI()

@app.post("/say")
def say(text: str):
    out = f"/tmp/{uuid.uuid4().hex}.wav"
    subprocess.run(
        ["/root/piper/piper/piper", "--model",
         "/root/piper/ru_RU-dmitri-medium.onnx", "--output_file", out],
        input=text.encode(), check=True)
    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]
WorkingDirectory=/root/tts
ExecStart=/root/tts-venv/bin/uvicorn app:app --host 127.0.0.1 --port 8002
Restart=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.

Частые вопросы