💻 Иногда кажется, что код живёт своей жизнью.
Он говорит, отвечает, думает — но без облаков и серверов.

Этот саунд — про локальные нейросети.
Про голос, который рождается у тебя на пк.
Про цифрового призрака, который не уходит в интернет, а остаётся рядом.

Совсем скоро покажу, как это работает на практике.
Без магии. Только код и комментарии. 👍

Я давно хотел показать пример нейросети, которая работает с голосом локально, без API, без облаков и без подписок.

Сегодня начнём простой кейс:
нейро-говорилка на основе XTTS, которую потом можно легко адаптировать под ChatterBox.

project/
 ├─ config.py
 ├─ voice.py
 ├─ text.txt
 └─ voice_example.mp3

CONFIG = {
    "model": "tts_models/multilingual/multi-dataset/xtts_v2",
    "language": "ru",
    "speaker_wav": "voice_example.mp3",
    "output_file": "result.wav",

    "temperature": 0.5,
    "length_penalty": 1.0,
    "repetition_penalty": 5.0,
    "top_k": 50,
    "top_p": 0.85,

    "speed": 1.0,
    "enable_text_splitting": True,
}

Что важно понять сразу: 🤔
❗️ модель не скачивается кодом, она подтягивается локально через TTS
❗️ при первом запуске XTTS может долго грузиться
❗️ нужен пример голоса (любой короткий wav/mp3 на 1-2 минуты)

В следующем посте — напишем сам скрипт генерации голоса 👨‍💻
Будет уже слышимый результат.

Продолжаем.
Теперь напишем сам скрипт, который читает текст и превращает его в голос.

Создаём файл voice.py.

from TTS.api import TTS
import torch
from config import *

text = open('text.txt', 'r', encoding='utf-8').read()

print("🔄 Загрузка модели...")
tts = TTS(
    CONFIG["model"],
    progress_bar=True,
    gpu=torch.cuda.is_available()
)

print("🎤 Генерация аудио...")
tts.tts_to_file(
    text=text,
    file_path=CONFIG["output_file"],
    speaker_wav=CONFIG["speaker_wav"],
    language=CONFIG["language"],

    temperature=CONFIG["temperature"],
    length_penalty=CONFIG["length_penalty"],
    repetition_penalty=CONFIG["repetition_penalty"],
    top_k=CONFIG["top_k"],
    top_p=CONFIG["top_p"],
    speed=CONFIG["speed"],
    enable_text_splitting=CONFIG["enable_text_splitting"]
)

Если всё ок — после запуска появится файл result.wav.

Что важно:
❗️ speaker_wav сильно влияет на результат
❗️ короткий, чистый голос работает лучше
❗️ параметры можно крутить бесконечно (и это кайф)

В следующем посте:
💎 как запускать это стабильно
💎 как адаптировать под ChatterBox
💎 и где чаще всего всё ломается 🙂

python voice.py

Сама идея не меняется.

Меняется только импорт библиотеки, способ вызова генерации, формат передачи параметров


Готовый проект можно получить бесплатно ➡️ ЗДЕСЬ