Лучшие бесплатные модели синтеза речи для локального запуска в 2026 году

Как выбрать бесплатную модель TTS

Четыре вопроса быстро сокращают список.

• Язык: говорит ли модель на вашем? Китайский, например, сразу исключает Supertonic 3.
• Лицензия: «бесплатно скачать» не всегда значит «бесплатно использовать в коммерции». Проверяйте условия и для кода, и для весов.
• Железо: обычный процессор или видеокарта с достаточным объёмом памяти?
• Голоса: хватит готовых пресетов или нужен конкретный голос по записи?

Небольшие бесплатные модели синтеза речи для CPU

Supertonic 3 от Supertone — около 99 млн параметров, работает через ONNX Runtime и, по словам авторов, не требует видеокарты. 31 язык, включая русский, но без китайского; лицензия OpenRAIL-M — без отчислений, со списком запрещённых применений. В комплекте есть пресеты, ещё больше голосов, бесплатных и платных, — в каталоге SuperClonica, а движок SuperClonica в среднем на 61% быстрее на процессоре.

Kokoro-82M — 82 млн параметров, лицензия Apache 2.0, 54 готовых голоса на восьми языках. Сильнее всего в английском: в собственном списке голосов китайские и японские оценены ниже. Русского нет, клонирования голоса в официальном релизе тоже. Работает в Python и в браузере через kokoro-js.

Piper — быстрый локальный движок для маленьких устройств вроде Raspberry Pi, известен как голос Home Assistant. Каждый голос — отдельная ONNX-модель для одного языка; в списке 39 языков, есть русский и китайский, нет японского и корейского. Текущий движок под GPL-3.0, у каждого голоса своя лицензия.

Chatterbox Nano от Resemble AI — английская модель на 110 млн параметров под MIT. По данным Resemble AI, она в 3 раза быстрее реального времени на 8 ядрах CPU; клонирует голос по фрагменту и помечает каждый файл неслышимым водяным знаком PerTh.

Крупные модели для клонирования голоса

Эти модели клонируют голос по нескольким секундам аудио. По нашим оценкам, на настольном процессоре они работают медленнее реального времени, так что раскрываются на видеокарте.

• Qwen3-TTS: Apache 2.0, размеры 0.6B и 1.7B, 10 языков, включая русский и китайский, клонирование по 3 секундам и создание голоса по описанию. На CPU примерно в 1–2 раза медленнее реального времени (0.6B).
• VoxCPM 2: Apache 2.0, 2 млрд параметров, 30 языков и китайские диалекты, звук 48 кГц, около 8 ГБ видеопамяти. На CPU примерно в 2–4 раза медленнее реального времени.
• Chatterbox Multilingual V3: MIT, 500 млн параметров, 23 языка, клонирование по фрагменту; примеры запускаются на видеокарте.
• Fish Audio S2 Pro: высшая оценка качества в нашей таблице и 80+ языков, но на CPU в 4–10 раз медленнее реального времени, а для коммерции нужна отдельная лицензия Fish Audio.

Бесплатно, но не для коммерции

У нескольких популярных моделей открытый код, но некоммерческие веса. Для экспериментов и личных проектов они подходят, для платного продукта — нет.

• OmniVoice: 646 языков и клонирование по 3–10 секундам аудио. Код под Apache 2.0, предобученная модель — CC-BY-NC.
• F5-TTS: zero-shot-клонирование на китайском и английском. Код под MIT, веса под CC-BY-NC, и самая низкая скорость на CPU в нашей таблице.
• Coqui XTTS-v2: 17 языков, включая русский, и клонирование по короткому фрагменту. Coqui Public Model License распространяется и на сгенерированное аудио, а исходный репозиторий больше не поддерживается.

Какой бесплатный TTS выбрать

На страницах сравнения по ссылкам ниже — источники и наши оценки скорости для каждой модели.

• Озвучка текста, игры и приложения на обычных компьютерах, один из 31 языка: Supertonic 3 с голосом из каталога или обученным по вашей записи.
• Английские пресеты под самой свободной лицензией: Kokoro.
• Raspberry Pi и Home Assistant: Piper.
• Мгновенное клонирование на видеокарте с правом на коммерцию: Qwen3-TTS, VoxCPM 2 или Chatterbox.
• Китайская речь: Qwen3-TTS или VoxCPM 2 на видеокарте; китайские голоса есть и у Piper, и у Kokoro.
• Исследования и личные эксперименты: любая из них, включая OmniVoice, F5-TTS и XTTS-v2.