Shtorm_PocketTTS_RU v1 «версия 1, 26.09.2026»

Русская модель для pocket-tts (Kyutai), заточенная под чтение книг: ровная книжная подача, живая интонация, клонирование голоса по короткому рефу.

• архитектура оригинального pocket-tts: 6 слоёв, ~100M параметров — быстро и на CPU;
• своя цепочка: учитель 24 слоя (от английской 24L Kyutai) -> дистилляция в 6 слоёв с запечённым guidance — без двойного прохода при генерации;
• токенизатор SentencePiece на русском корпусе (4000 токенов).

Цифры

7 голосов x 5 сидов, книжный абзац / диалог:

CER (разборчивость)	UTMOS (качество звука)	обрывы
1.6% / 4.0%	3.64 / 3.52	0 из 70

Запуск

from pocket_tts import TTSModel
import scipy.io.wavfile

model = TTSModel.load_model(config="hf://ArtShtorm/Shtorm_PocketTTS_RU/config.yaml")
voice = model.get_state_for_audio_prompt("my_voice.wav")
audio = model.generate_audio(voice, "Се́рое не́бо висе́ло над го́родом.")
scipy.io.wavfile.write("out.wav", model.sample_rate, audio.numpy())

Советы:

• ударения — знаком акута (U+0301), как в примере: модель училась на размеченном тексте;
• реф — 5 с чистой речи, законченная фраза: модель копирует из него тембр, темп и полосу;
• куски до ~180 знаков: на длинных громкость к концу проседает.

Ограничения

• паузы на знаках препинания местами длинноваты;
• на длинных кусках — затухание громкости (лечится выравниванием громкости на выходе).

Лицензия и использование

CC-BY-4.0. Основа — Kyutai pocket-tts © Kyutai Labs. Клонирование голоса — только с явного согласия его владельца; не использовать для выдачи себя за другого человека, дезинформации и иного вредного или незаконного использования.