Как озвучить текст голосом офлайн на своём компьютере

Что нужно для офлайн-синтеза речи

Хватит компьютера с Windows, macOS или Linux. Supertonic 3 работает на процессоре, и, по словам авторов модели, видеокарта ему не нужна. Видеокарта NVIDIA ускорит озвучку, но она не обязательна.

• Git и Python 3.11 для стандартного клиента Supertonic 3. Движку SuperClonica нужен Python 3.10 или новее.
• Около 400 МБ на диске под базовую модель — она скачивается один раз.
• Голос: один JSON-файл с профилем голоса.
• Интернет — только на время установки. Дальше озвучка работает офлайн.

Шаг 1. Выберите голос

В Supertonic 3 есть несколько готовых пресетов. Если нужно конкретное звучание — спокойный диктор, игровой персонаж, разговорный голос, — загляните в каталог: у каждого голоса есть демо и описание от автора, а часть голосов бесплатна.

Сначала проверьте язык. Supertonic 3 говорит на 31 языке, среди них русский, украинский, английский, немецкий, французский, испанский, японский и корейский. Китайского пока нет.

После покупки откройте «Моя библиотека» и скачайте голос в формате JSON. Файлы голосов, сделанные для Supertonic 3 в другом месте, подойдут так же.

Шаг 2. Установите Supertonic 3 на Windows, macOS или Linux

Стандартный клиент Supertonic 3 работает уже сейчас. Откройте терминал (на Windows — PowerShell) и выполните по порядку команды со страницы «Как это работает». Они клонируют репозиторий supertonic с GitHub, создают в нём виртуальное окружение Python 3.11 (py -3.11 -m venv .venv на Windows, python3.11 -m venv .venv на macOS и Linux), ставят huggingface_hub, скачивают модель supertone-oss-archive/supertonic-3 в папку assets утилитой hf, устанавливают пакеты из py/requirements.txt и переходят в папку py.

На странице есть точные команды отдельно для Windows и для macOS с Linux и кнопка копирования. Долго идёт только загрузка модели, и делается она один раз.

Шаг 3. Озвучьте текст

Сохраните скачанный голос как voice.json в папке supertonic/py. Затем запустите example_onnx.py из виртуального окружения, передав голос, текст и код языка: --voice-style "./voice.json" --text "Ваш текст" --lang ru --n-test 1. Готовый WAV-файл появится в папке results.

Для другого языка замените текст и код, например --lang en или --lang de. У скрипта есть и параметр --speed: по умолчанию 1.05, чем больше значение, тем быстрее говорит голос.

С этого момента сеть не нужна: можно отключить интернет и озвучивать текст сколько угодно.

Быстрее: движок SuperClonica

SuperClonica — наш движок на базе Supertonic 3. Он читает те же JSON-файлы голосов без конвертации и при тех же настройках в среднем на 61% быстрее на процессоре (замер на Ryzen 7 5800X) и на 73% быстрее на видеокарте (RTX 5070 Ti). Паузы — без шипения, концы фраз — аккуратнее.

Пакеты опубликованы в PyPI, установка — одна команда: python -m pip install superclonica-cpu или superclonica-gpu-cuda для видеокарты NVIDIA (CUDA и cuDNN поставит pip). Фраза озвучивается одной строкой: superclonica --text "Привет!" --voice voice.json --lang ru --output hello.wav. Базовая модель скачается при первом запуске. Из Python то же делает Superclonica().synthesize(); полный пример — на странице установки.

Как озвучить длинный текст

Книги, статьи и длинные сценарии проще озвучивать, если немного подготовиться.

• Разбейте текст на главы или разделы и озвучивайте каждый в отдельный файл. Неудачный фрагмент тогда легко переделать.
• В стандартном клиенте подавайте за раз абзац или несколько предложений, а файлы склейте в аудиоредакторе. Движок SuperClonica сам озвучивает длинный текст короткими частями, поэтому повторов и обрывов слов меньше.
• Пишите числа, даты, единицы измерения и сокращения так, как их нужно прочитать вслух.
• Делите очень длинные предложения: паузы голос берёт из знаков препинания.
• Закладывайте время. По нашей оценке, на настольном 8-ядерном процессоре SuperClonica озвучивает час аудио примерно за 7–11 минут.