Нейросетевая озвучка дома: сколько места, видеопамяти и времени нужно Silero, XTTS-v2, F5-TTS
Видеокарта для игр у большинства давно с запасом, а вот для нейросетей в быту её используют мало. Я сделал программу для озвучки текста и по ходу работы насобирал замеров: сколько диска, оперативной и видеопамяти нужно трём разным движкам синтеза речи, как быстро они работают и что происходит на слабом железе. Ниже не обзор, а цифры и пара выводов, которые полезны, если вы собираетесь запускать что-то подобное дома.

Стенд
Основная машина: видеокарта GeForce RTX 3070 на 8 ГБ, Windows 10, Python 3.12, PyTorch 2.5.1 с CUDA 12.1. Тестовый текст один и тот же: русский абзац в 285 знаков, это чуть меньше 18 секунд речи. Замеры сняты после прогрева, каждый движок прогнан один раз. Это не серьёзный бенчмарк, а оценка порядка величин, но порядок получился показательный.
Три движка и их аппетиты
| Движок | Время на абзац | Загрузка модели | Пик видеопамяти | Модель на диске |
|---|---|---|---|---|
| Silero v5_ru, видеокарта | 0,08 с | быстро | 242 МБ | 139 МБ |
| Silero v5_ru, процессор | 0,53 с | быстро | не нужна | 139 МБ |
| XTTS-v2 (клонирование голоса) | 5 с на 18,7 с звука | 13 с | 2019 МБ | 2,0 ГБ |
| F5-TTS (клонирование голоса) | 4,4 с на 17,3 с звука | 4 с | 1999 МБ | 1,4 ГБ |
Silero работает быстрее реального времени в 200 с лишним раз: абзац читается быстрее, чем вы успеваете моргнуть. Причём на процессоре он тоже быстрый, 0,5 секунды вместо 0,08, то есть видеокарта для обычной озвучки нужна только если вы режете тексты в сотни страниц. Клонирование медленнее, но всё равно в три-четыре раза быстрее реального времени.
Интереснее всего видеопамять. Оба клонирующих движка у меня заняли около 2 ГБ, то есть спокойно влезут даже в карту на 4 ГБ, если больше на ней ничего не висит. Но я бы не обещал этого, пока не проверено на такой карте: у меня 8 ГБ, и запас по памяти ничем не ограничивал. Поэтому в описании программы я пишу осторожно: «от 6 ГБ с запасом». Для клонирования в любом случае нужна NVIDIA, на других видеокартах я эти движки не проверял.
Оперативная память и диск
В оперативной памяти процесс с Silero у меня занимал около 1,2 ГБ (из них заметная часть библиотеки PyTorch), с клонированием около 3 ГБ. Это скромно по сравнению с тем, что обычно открыто в браузере.
А вот диск расходуется щедро, причём не на модели, а на окружение:
| Что | Размер |
|---|---|
| Сама программа (zip) | около 8 МБ |
| Python 3.12 и 168 пакетов, включая PyTorch с CUDA | около 5,5 ГБ |
| Модели Silero (все шесть, что поддерживаются) | около 0,5 ГБ суммарно, по 39–141 МБ |
| XTTS-v2 | 2,0 ГБ |
| F5-TTS вместе с вокодером | 1,4 ГБ |
| Whisper small (распознаёт текст образца для F5) | 0,9 ГБ |
| Итого, если установить всё | около 10 ГБ |
реклама
То есть половина веса это не нейросети, а PyTorch с библиотеками CUDA. Если вам нужны только обычные голоса, хватит порядка 6 ГБ. Без видеокарты NVIDIA установщик ставит версию PyTorch для процессора, а клонирование недоступно.

Что ломается на практике
Главная неприятность не про железо, а про текст. Русские модели Silero молча выбрасывают цифры и латиницу: ошибки нет, просто в звуке дыры. Я добавил перед моделью два шага: числа переводятся в слова, а латиница читается по-русски (аббревиатуры по буквам, известные слова по словарю, остальное транслитом). Проверял распознаванием результата обратно через Whisper, слова находятся. Падежи у чисел это слабое место, и «в 1990 году» лучше писать словами.
Вторая неприятность для тех, кто делает такую программу сам: версии пакетов. Клонирование тянет за собой coqui-tts, f5-tts и transformers, и они требуют разного. Рабочий набор у меня сидит на PyTorch 2.5.1, transformers не выше 4.x, huggingface_hub ниже 1.0 и omegaconf 2.3.1, а новее PyTorch ставить нельзя. Поэтому окружение поставляется не диапазонами версий, а точным списком.
Вывод по железу
- Обычная озвучка (Silero) не требует видеокарты вообще: процессор справляется за доли секунды на абзац. Нужно около 6 ГБ диска и 1–2 ГБ оперативной памяти.
- Клонирование голоса требует NVIDIA, около 2 ГБ видеопамяти по моим замерам (с запасом лучше 6 ГБ) и ещё 4,3 ГБ диска под модели.
- Если места на системном диске мало, программу можно ставить на любой другой: всё лежит в её папке и ничего не прописывается в систему.

Ограничения и лицензии
Код программы открыт (MIT), а вот у моделей лицензии в основном некоммерческие: Silero и русская F5-TTS под CC BY-NC 4.0, XTTS-v2 под Coqui Public Model License. Для озвучки монетизируемых роликов надо читать условия конкретной модели. Клонировать стоит только свой голос или голос человека, давшего согласие.
Программа называется Glasvo, открыта на GitHub: https://github.com/OlegChe77/glasvo . Если у вас другая видеокарта или слабый процессор, интересно было бы увидеть ваши замеры на том же тексте.
Лента материалов
Соблюдение Правил конференции строго обязательно!
Флуд, флейм и оффтоп преследуются по всей строгости закона!
Комментарии, содержащие оскорбления, нецензурные выражения (в т.ч. замаскированный мат), экстремистские высказывания, рекламу и спам, удаляются независимо от содержимого, а к их авторам могут применяться меры вплоть до запрета написания комментариев и, в случае написания комментария через социальные сети, жалобы в администрацию данной сети.

