Пять локальных движков и клон по короткому образцу
Higgs Audio v3, Fish Audio Drama 3, Supertonic 3, Qwen3-TTS и Qwen3-TTS с русскими ударениями работают на вашей видеокарте.
Озвучит любой текст. Услышит, что сказано.
Десктопная студия: озвучивает текст пятью локальными движками и превращает записи обратно в текст с говорящими.
Windows 10/11 x64 и видеокарта NVIDIA с 8 ГБ видеопамяти. Модели и движки скачиваются из самой студии, когда вы решите.
Ударения, числа и омографы
Supertonic 3 и Qwen3-TTS ставят русские ударения наугад. Студия расставляет их до того, как текст попадёт в движок: RUAccent по предложению выбирает замо́к или за́мок, му́ки или муки́, а числа, даты и единицы пишет словами в нужном падеже.
Старинный замок стоял на холме, а дверь в него запирали на тяжёлый замок. Из этой муки пекут хлеб, но для пекаря это настоящие муки.
Мы долго стояли у берега и смотрели, как белки прыгают по веткам. В яйце много белка, а в этой задаче много лишних белков.
Примеры
Сделаны на этом компьютере студией как она есть, каждый дубль проверен на слух и выгружен так, как его сохранила студия. Все движки читают один и тот же текст.
Русский
Я помню чудное мгновенье — передо мной явилась ты, как мимолётное виденье, как гений чистой красоты.
Встреча 12.03 в 18:30, билет стоит 150 руб., а на улице −5 °C.
Голоса известных людей — синтез: клон по короткому образцу из пака голосов студии, а не запись этих людей. Стихи — общественное достояние.
Движки
Замер на RTX 4090 под Windows 11 в Speech Studio 0.2.0 как она ставится: один и тот же русский текст на 17 секунд, второй прогон каждого движка, модель уже загружена. Первый звук — время до начала звука в окне; видеопамять — пик во время озвучки.
| Движок | Для чего | Быстрее реального времени | Первый звук | Поток | Скачать | Видеопамять |
|---|---|---|---|---|---|---|
| Supertonic 3 | Самый быстрый, готовые голоса без клона | 168× | 103 мс | По фразам | 0,1 ГБ | 1,0 ГБ |
| Qwen3-TTS | Быстрый, готовые голоса и клон | 12× | 19 мс | По ходу речи | 2,2 ГБ | 3,1 ГБ |
| Qwen3-TTS + ru stress LoRA | Русский с верными ударениями, клон | 10× | 26 мс | По ходу речи | 2,3 ГБ | 3,5 ГБ |
| Fish Audio Drama 3 | Лучшая игра и качество, клон; от 6 ГБ видеопамяти | 7,0× | 326 мс | По ходу речи | 21,4 ГБ | 21,9 ГБ |
| Higgs Audio v3 | Эмоции и звуки тегами, клон | 2,3× | 1,0 с | По ходу речи | 5,3 ГБ | 18,1 ГБ |
Распознавание
Замер на том же компьютере в Speech Studio 0.2.1 (Whisper 0.2.4) как она ставится: одна русская запись одного говорящего на 5 минут распознаётся в Listening без разделения по говорящим, загрузка модели входит. × — во сколько раз быстрее, чем звучит запись; видеопамять — пик во время задачи, после задачи модель её освобождает.
| Модель | Для чего | На видеокарте | На процессоре | Языки | Скачать | Видеопамять |
|---|---|---|---|---|---|---|
| Parakeet TDT v3 | Быстрая и точная, язык определяет сама | 96× | 33× | 25 | 0,7 ГБ | 1,2 ГБ |
| Parakeet Ultra | Parakeet, дообученный Moondream: меньше ошибок распознавания | 73× | 33× | 25 | 0,7 ГБ | 1,0 ГБ |
| Nemotron 3.5 | Язык задаётся, поэтому без случайных слов на другом языке | 73× | 29× | 28 | 0,7 ГБ | 1,0 ГБ |
| Whisper large-v3-turbo | Больше всего языков | 19× | 2,2× | 99 | 1,6 ГБ | 1,6 ГБ |
Live: от вашей фразы до голоса агента
Каждый шаг одного хода разговора, замер на том же компьютере. Дольше всего думает сам агент — это зависит от агента и его модели.
| Ваша фраза текстом после того, как вы замолчали (Parakeet на видеокарте, пауза конца фразы входит) | 641 мс – 735 мс |
| Агент пишет ответ (Claude Sonnet, замер) | 2,0 с – 3,9 с |
| Первый звук ответа (по движкам, см. выше) | 19 мс – 1,0 с |
Что умеет
Русский, который звучит правильно
Числа в нужном падеже и роде, даты, время, деньги и единицы пишутся словами до того, как движок их прочтёт.
Каждый дубль проверен на слух
Каждый дубль распознаётся обратно и сверяется с текстом по словам, плюс проверки на перегруз, тишину, обрыв, щелчок, повтор фразы и шум вместо речи.
Диалоги и подкасты
Строки «Анна:» и «[Анна]» становятся персонажами со своими голосами, режиссёр пишет подкаст на тему для нескольких голосов, а таймлайн показывает каждое наложение.
Распознавание речи с говорящими
Запись, видео или ссылка превращаются в текст с тем, кто что сказал и когда: Parakeet-TDT, Nemotron 3.5 или Whisper, до восьми говорящих, плеер-караоке, монтаж по тексту и выгрузка в SRT, VTT, ASS, TXT или JSON.
Для ИИ-агентов
Пока студия открыта, агент вроде Claude Code или Cursor делает через MCP всё, что умеет окно: озвучивает текст в файл, правит проекты, раздаёт голоса, распознаёт и проверяет записи.
Скриншоты
Сама студия — на вашем языке.
Как начать
- 1УстановитьЗапустите установщик или распакуйте портативный архив куда угодно.
- 2Скачать моделиПанель первого запуска один раз скачает модели, движки и библиотеки.
- 3Вставить текстИли открыть книгу, субтитры или сценарий подкаста.
- 4ОзвучитьКаждый блок озвучивается и проверяется; выгружайте, когда звучит как надо.
FAQ
Какая нужна видеокарта?
NVIDIA с 8 ГБ видеопамяти или больше и свежим драйвером. Drama 3 целиком помещается в 24 ГБ; с 6 ГБ её эксперты живут в оперативной памяти, и тогда её нужно 32 ГБ. На диске — около 9 ГБ под модели и движки по умолчанию.
Это бесплатно?
Да. Студия бесплатная и с открытым кодом, модели скачиваются бесплатно прямо из неё.
Работает ли без интернета? Уходят ли куда-то мои тексты?
Ваши тексты и записи — ваши, и они остаются на вашем диске.
- Без аккаунта — регистрироваться негде и незачем.
- Локально по умолчанию — озвучка, распознавание, ударения и режиссёр работают на вашем компьютере.
- Облако — только если захотите — голоса OpenRouter, Google Gemini, fal.ai и Runware выключены, пока вы не добавите ключ, и каждый спрашивает перед первым вызовом.
Как она ставит русские ударения?
Числа в нужном падеже и роде, даты, время, деньги и единицы пишутся словами до того, как движок их прочтёт. Ударения, «ё» и омографы расставляет RUAccent по предложению, сомнительные подсвечены, ваши знаки остаются.
Supertonic 3 и Qwen3-TTS ставят русские ударения наугад. Студия расставляет их до того, как текст попадёт в движок: RUAccent по предложению выбирает замо́к или за́мок, му́ки или муки́, а числа, даты и единицы пишет словами в нужном падеже.
Можно ли использовать озвученное?
Студия — MIT. Модели — нет: у каждой своя лицензия, они перечислены в README. Прочтите их, прежде чем публиковать или продавать озвученное. README
Может ли ею управлять ИИ-агент?
Пока студия открыта, агент вроде Claude Code или Cursor делает через MCP всё, что умеет окно: озвучивает текст в файл, правит проекты, раздаёт голоса, распознаёт и проверяет записи. Программы, написанные под голосовой API OpenAI, работают через его совместимый API.
claude mcp add --transport http speech-studio http://127.0.0.1:8797/mcp
Как она устроена?
Сервис вкомпилирован в десктопный exe и запускает движки в том же процессе через их C ABI. Ни одного процесса Python во время работы.
React UI ─┐
├─ Speech Studio.exe (Tauri window + Rust/axum speech-server)
Rust axum ┘ │
├─ Higgs Audio v3, Drama 3, Qwen3-TTS (C++/CUDA, GGUF)
├─ Parakeet, Nemotron 3.5 (transcribe.cpp, GGUF)
└─ Supertonic, RUAccent (ONNX Runtime)