Альтернатива VibeVoice для подкастов и диалогов
VibeVoice от Microsoft наделала шуму: её TTS-модель озвучивала до 90 минут речи и до четырёх дикторов — целый выпуск подкаста за раз. 5 сентября 2025 года сопровождающие убрали код VibeVoice-TTS из репозитория, обнаружив злоупотребления, а в таблице моделей веса TTS-1.5B помечены как отключённые. Осталась VibeVoice-Realtime-0.5B — потоковая модель примерно на 10 минут речи, и проект указывает, что модели предназначены только для исследований и разработки.
Если вам нужны подкасты или диалоги на несколько голосов, бесплатный движок SuperClonica решает задачу иначе: каждый диктор — свой голос, каждая реплика озвучивается отдельно, а реплики склеиваются в один файл. Он работает офлайн на обычном процессоре, а встроенные голоса можно использовать коммерчески.
Что случилось с VibeVoice
Репозиторий VibeVoice под лицензией MIT и по-прежнему содержит модели распознавания речи и TTS-модель Realtime-0.5B с потоковым вводом текста и первым звуком примерно через 300 мс. Код длинной TTS удалён 2025-09-05, а веса TTS-1.5B значатся отключёнными. Перед тем как строить на нём проект, проверьте актуальное состояние репозитория.
Сначала послушайте голоса
На странице любого голоса в каталоге вставьте реплику из сценария, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд станет ясно, кого взять ведущим, а кого гостем, без регистрации.
Подкаст на двоих из одного сценария
Установите движок командой python -m pip install superclonica-cpu. Пишите сценарий по одному диктору на строку, например A: С возвращением в эфир. и B: Спасибо, рад быть здесь. Дайте каждому диктору голос, например F2 ведущей и M3 гостю, озвучьте каждую реплику и склейте с короткой паузой; в нашем руководстве по ИИ-диалогам есть готовый фрагмент на Python, который превращает такой сценарий в один WAV. Длинный выпуск — просто больше строк: лимита длины нет, а правка одной реплики означает переозвучку одной реплики.
В чём VibeVoice была сильнее
Длинная модель читает весь разговор целиком, поэтому смена реплик, смех и переходы между дикторами могут звучать живее, а ещё VibeVoice говорила по-китайски. Озвучка по репликам даёт точный контроль над каждой строкой и работает на любом компьютере, но наложения и перебивания приходится писать отдельными короткими репликами.
Голоса, которые можно публиковать
Десять встроенных голосов, M1–M5 и F1–F5, можно использовать коммерчески по лицензии модели OpenRAIL-M, как и голос, обученный по вашей записи или записи согласившегося человека. Голоса персонажей в каталоге сделаны фанатами, только для фанатского и пародийного использования. Никогда не пишите фальшивых разговоров реальных людей, которые можно принять за настоящую запись.