РУКОВОДСТВО

Офлайн-альтернатива Yandex SpeechKit

SpeechKit — облачный синтез речи Яндекса: 18 русских голосов, у многих есть амплуа от нейтрального до шёпота, плюс английский, немецкий, иврит, казахский и узбекский. Как любое облачное API, он требует аккаунта, берёт плату за символы или блоки по 250 символов и получает каждый текст, который вы озвучиваете.

Бесплатный движок SuperClonica даёт такой же строительный блок на вашем компьютере или сервере. В этом руководстве — честное сравнение двух подходов, когда SpeechKit лучше и как заменить вызов API.

Выбрать голос Установить движок SuperClonica

SpeechKit вкратце

Для казахского, узбекского или иврита, для амплуа вроде шёпота или для управляемого сервиса в большом масштабе SpeechKit — сильный выбор.

  • 18 русских голосов, среди них filipp, ermil, jane, alexander и kirill; у многих есть амплуа: neutral, good, evil, strict, friendly и whisper.
  • Языки: русский, английский, немецкий, иврит, казахский и узбекский.
  • API v1 тарифицируется по символам, API v3 — блоками по 250 символов; актуальные цены смотрите на сайте Яндекса.
  • Собственные голоса — отдельная услуга, Brand Voice.

Сравните звучание бесплатно

На странице любого голоса вставьте фразу, которую озвучивали в SpeechKit, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд можно сравнить на своём тексте, без регистрации.

Чем отличается SuperClonica

В наших тестах короткая фраза занимала 0,43 с на четырёх потоках Ryzen 7 5800X, так что обычный сервер справляется с большинством нагрузок.

  • Тексты остаются у вас: ничего не уходит провайдеру, что важно для медицинских, юридических и внутренних документов.
  • Нет счёта за символы: стоимость — ваше железо, сколько бы часов вы ни озвучили.
  • 31 язык, включая русский, украинский, польский, английский, немецкий, японский, корейский, хинди и арабский.
  • Десять стандартных голосов, более 170 голосов каталога и ваш собственный голос, обученный один раз по чистой записи длиной 5–10 секунд.

Замените вызов API

Запустите сервер на любом процессоре: docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu. Когда GET /health ответит, отправьте запрос: curl -X POST http://localhost:8000/synthesize -H "Content-Type: application/json" -d '{"text": "Привет с моего собственного сервера!", "voice": "F1", "lang": "ru"}' -o hello.wav. POST /synthesize принимает text, voice, lang, seed и normalize и отвечает 16-битным моно-WAV. Задайте SUPERCLONICA_API_KEY, чтобы требовать заголовок Authorization, и держите сервер за HTTPS или в закрытой сети.

Что выбрать

Выбирайте SpeechKit для казахского, узбекского или иврита, ради амплуа голосов или если вам удобнее платить за символы, чем держать сервер. Выбирайте SuperClonica, когда тексты должны оставаться приватными, когда объём большой или непредсказуемый, когда нужны европейские и азиатские языки, которых нет в SpeechKit, или голос персонажа и бренда, работающий офлайн.