Озвучка текста нейросетью: клонирование голоса бесплатно
Kokoro и Chatterbox: бесплатные генераторы голоса с открытым кодом для коммерческих проектов. Клонирование и озвучка персонажей на ноутбуке.

Главная страница этого сайта — лунная база. Откройте terryl.in, и вы попадёте в небольшую 3D-игру на Three.js: можно водить астронавта по базе, надеть скафандр, выйти через шлюз на поверхность Луны или заглянуть в бар за фирменным коктейлем. Блог «Журнал лунной базы» рассказывает, как эта база строится.
В баре работает робот-бармен по имени Артур. Это отсылка к андроиду-бармену Артуру из фильма «Пассажиры» (Passengers, 2016). Он такой же мягкий, предельно вежливый и говорит с невозмутимым лицом. Несколько реплик тоже переделаны из фильма — кто смотрел, узнает. Спросите, зачем он всё время трёт бокалы, и он ответит: «Если бы я не тёр бокал, пришлось бы поддерживать беседу». Беда в том, что до сих пор все эти реплики были просто текстом в диалоговом окне.
В прошлой статье я делал звуковые эффекты для лунной базы с помощью Stable Audio 3 Small SFX, а теперь очередь голосов. Раньше, чтобы озвучить игрового персонажа, нужно было искать актёра озвучки или платить облачному сервису вроде ElevenLabs, который берёт деньги за каждый символ. Сегодня есть несколько открытых, бесплатных TTS-моделей (синтез речи из текста), которые можно использовать в коммерческих проектах: скачиваете на свой компьютер и пользуетесь без оплаты за генерацию. По сути, это бесплатная альтернатива ElevenLabs.
В этой статье я сравниваю открытые TTS-модели, которые сейчас стоит рассмотреть. Я установил Kokoro TTS и Chatterbox TTS на ноутбук без видеокарты, озвучил реплики Артура на английском, проверил озвучку текста на русском и попробовал бесплатное клонирование голоса, чтобы голос персонажа сохранял один и тот же тембр во всех репликах.
Генератор голоса с открытым кодом: сравнение TTS для коммерческого использования
Сначала вывод. Вот модели, лицензии которых я проверил и которые точно можно использовать коммерчески:
Модель | Параметры | Лицензия | Клонирование голоса | Русский | Железо |
|---|---|---|---|---|---|
Kokoro-82M | 82 млн | Apache 2.0 | Нет, 54 встроенных голоса | Нет | Хватает CPU |
Chatterbox-Nano | 110 млн | MIT | Да | Нет, только английский | Хватает CPU |
Chatterbox-Turbo | 350 млн | MIT | Да | Нет, только английский | CPU тянет, но медленнее |
Chatterbox (оригинал, Multilingual V3, китайская версия) | 500 млн | MIT | Да | Да, в Multilingual V3 | CPU тянет, но очень медленно |
Step Audio EditX | около 3 млрд | Apache 2.0 | Да | Не проверял | Нужна видеокарта NVIDIA |
Qwen3-TTS (0.6B, 1.7B) | 600 млн, 1,7 млрд | Apache 2.0 | Да, по 3 секундам образца | Да | 0.6B работает на CPU, клонирование очень медленное |
Если коротко:
- Нужно быстро, легко и на ноутбуке: Kokoro, но только для поддерживаемых им языков, русского среди них нет.
- Нужно клонировать голос, чтобы персонаж звучал одинаково: Chatterbox. Для английского — Nano, для русского — Multilingual V3.
- Есть видеокарта NVIDIA и хочется создавать голоса по описанию: Qwen3-TTS. Голос можно «спроектировать» одной фразой текста, а эмоции задавать инструкциями. Русский он тоже поддерживает.
- Есть мощная видеокарта и нужны лучшее качество звука и выразительные эмоции: Step Audio EditX.
Step Audio EditX требует видеокарту NVIDIA, которой в моём ноутбуке нет, поэтому в тестах его нет. У Qwen3-TTS я попробовал самую маленькую версию 0.6B — она работает и на CPU, результаты ниже.
Эта статья — обзор. Дальше будет по отдельной статье о каждой модели: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX, а также VoiceStudio.
В рейтингах со слепым прослушиванием и оценками людей (например, Speech Arena) наверху по-прежнему закрытые сервисы вроде ElevenLabs, открытые модели в первую десятку пока не попали. Но игре не всегда нужно лучшее качество. Для реплик NPC, закадрового голоса в обучении или временной озвучки на этапе разработки открытых моделей вполне хватает.
Ещё один вариант, который говорит по-русски: Qwen3-TTS
Qwen3-TTS — семейство TTS-моделей, которое команда Qwen из Alibaba открыла в январе 2026 года под лицензией Apache 2.0, то есть коммерческое использование разрешено. Есть два размера, 0.6B и 1.7B, и у каждого несколько версий под разные задачи:
- Base: клонирование голоса, нужно всего 3 секунды образца.
- CustomVoice: 9 встроенных голосов, среди них мужские голоса с пекинским и сычуаньским акцентом; версия 1.7B ещё и понимает инструкции по интонации, например «скажи очень сердито».
- VoiceDesign (1.7B): создаёт голос по текстовому описанию, например «17-летний парень, тенор, говорит всё увереннее».
Поддерживает 10 языков: китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский. По официальным тестам он обходит ElevenLabs по точности произношения и сходству голоса на китайском, но это тесты самих разработчиков.
Для озвучки игр удобнее всего сначала спроектировать голос, потом клонировать. Описываете голос персонажа для VoiceDesign, генерируете одну реплику как образец, а все остальные клонируете через Base — тембр остаётся одним и тем же. Это очень похоже на то, что я делаю в этой статье с Kokoro и Chatterbox.
Установка: pip install -U qwen-tts. Официальные примеры запускаются на видеокарте NVIDIA с bfloat16 и FlashAttention 2; сколько нужно видеопамяти и можно ли обойтись одним CPU, там не сказано.
Я попробовал 0.6B на CPU того же ноутбука:
- Встроенный голос (CustomVoice): реплика длиной около 6 секунд генерировалась примерно 31 секунду.
- Клонирование голоса (Base): реплика на 4–5 секунд заняла больше 4 минут — в три раза дольше, чем у китайской версии Chatterbox.
Как и с любым синтезом речи, омографы, имена собственные и заимствованные слова нужно обязательно прослушать, прежде чем отправлять в игру.
Без видеокарты разумнее пользоваться встроенными голосами Qwen3-TTS; для клонирования голоса на большом объёме реплик всё-таки нужна видеокарта NVIDIA.
Модели с открытыми весами, которые нельзя использовать коммерчески
Самая частая ловушка при выборе модели — лицензия. То, что веса лежат в открытом доступе на Hugging Face, ещё не значит, что на них можно зарабатывать:
- Coqui XTTS v2: многоязычная, умеет клонировать голос и когда-то была очень популярна, но лицензия Coqui Public Model License разрешает только некоммерческое использование.
- Fish Audio S2 Pro: веса открыты, но для коммерческого использования нужно отдельно покупать лицензию у Fish Audio.
- Некоторые исследовательские модели: под лицензией CC BY-NC (NC означает только некоммерческое использование).
Перед скачиванием обязательно смотрите поле License на странице модели и читайте полный текст.
Что такое Kokoro TTS? Поддерживает ли русский? Можно ли использовать коммерчески?
Kokoro-82M — TTS-модель всего на 82 миллиона параметров, версия 1.0 вышла в январе 2025 года. Она настолько маленькая, что работает на CPU, а качество звука одно из лучших среди моделей такого размера, поэтому её используют многие коммерческие API и проекты.
- Лицензия: Apache 2.0, можно использовать коммерчески и встраивать в свои продукты.
- Данные для обучения: по словам авторов, только записи из общественного достояния, записи под лицензиями Apache или MIT и синтетическая речь закрытых TTS крупных компаний; голоса, клонированные с чужих голосов, не использовались.
- Голоса: 54 встроенных голоса на 8 языках: английский (американский и британский), японский, китайский, испанский, французский, хинди, итальянский и бразильский португальский.
- Ограничение: клонировать голос нельзя, только выбирать из встроенных.
Русского в этом списке нет, так что для озвучки текста на русском Kokoro не подойдёт. В этой статье он озвучивает английские реплики Артура и служит источником «исходного» голоса для клонирования.
Важное предупреждение: авторы отмечают, что сайты со словом «kokoro» в домене не имеют к модели никакого отношения. Не платите и ничего не скачивайте на них.
Что такое Chatterbox TTS? Поддерживает ли русский? Можно ли использовать коммерчески?
Chatterbox — семейство открытых TTS-моделей от компании Resemble AI, которая занимается голосовыми технологиями. Главная фишка — клонирование голоса: даёте ему 5–10 секунд чьей-то речи, и он читает новые реплики этим тембром. В оригинальной версии можно регулировать, насколько преувеличены эмоции, а Turbo понимает в тексте теги смеха и кашля вроде [laugh], [chuckle] и [cough].
- Лицензия: MIT, коммерческое использование разрешено.
- Водяной знак: в каждый сгенерированный фрагмент встраивается водяной знак Perth от Resemble. На слух его не заметить, но он сохраняется даже после конвертации в mp3 и монтажа, и инструменты проверки могут по нему определить, что звук создан ИИ.
- Больше не поддерживается: в августе 2026 года Resemble AI объявила Chatterbox «завершённым исследовательским проектом» и прекратила обновления; компания переключилась на обнаружение дипфейков. Код и веса остаются доступными под лицензией MIT, так что скачивать и использовать коммерчески по-прежнему можно, просто новых версий и поддержки не будет.
Последний пункт как раз показывает плюс открытых моделей: если веса лежат на вашем компьютере, закрытие сервиса вам не страшно. Если облачный сервис озвучки поднимет цены или закроется, менять озвучку в игре станет нечем; открытая модель на диске и через десять лет дочитает новые реплики тем же голосом.
Для русского важен Multilingual V3, который читает 23 языка. Версий у Chatterbox несколько, и поначалу в них легко запутаться:
Версия | Параметры | Языки | Особенности |
|---|---|---|---|
Chatterbox (оригинал) | 500 млн | Английский | Регулировка силы эмоций (exaggeration) |
Multilingual V3 | 500 млн | 23, включая русский | Одна модель на много языков |
Китайская версия (zh-cmn) | 500 млн | Китайский | Дообучена специально для китайского |
Turbo | 350 млн | Английский | Быстрее, понимает теги смеха и кашля, обязательно нужен образец голоса |
Nano | 110 млн | Английский | Самая маленькая и быстрая; по словам авторов, на 8-ядерном CPU в 3 раза быстрее реального времени |
Системные требования: можно ли без видеокарты?
В моём ноутбуке Intel Core Ultra 5 (6 ядер) и только встроенная графика, то есть всё считается на CPU. В таблице — измеренное время генерации одной реплики; каждая реплика длится 4–6 секунд, а время включает загрузку модели при каждом запуске:
Модель | Время на одну реплику |
|---|---|
Kokoro (английский) | около 9 с |
Kokoro (китайский) | около 13 с |
Chatterbox-Nano (клонирование) | около 15–20 с |
Chatterbox-Turbo (клонирование) | около 40 с |
Chatterbox оригинал | около 60 с |
Chatterbox китайская версия (клонирование) | около 80 с |
Qwen3-TTS 0.6B (встроенный голос) | около 31 с |
Qwen3-TTS 0.6B (клонирование) | около 4 мин |
Kokoro и Chatterbox Nano на ноутбуке очень удобны: поменяли реплику, прослушали — и через десяток секунд готово. Версии Chatterbox на 500 миллионов параметров на CPU тратят минуту-две на реплику, так что лучше собрать целую пачку и оставить работать в фоне. С видеокартой NVIDIA всё намного быстрее.
По месту на диске: Python-окружение каждого инструмента (с PyTorch для CPU) занимает около 1,5 ГБ. Модели скачиваются отдельно: файлы Kokoro маленькие, а каждая версия Chatterbox занимает 1–3 ГБ.
Установка Kokoro TTS (версия для CPU)
Советую создать отдельное Python-окружение через uv, а не ставить в системный Python. Kokoro поддерживает Python 3.10–3.12:
mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfileДля английского больше ничего не нужно: произношение обрабатывает espeak-ng, который уже встроен в pip-пакет. Русский Kokoro не поддерживает, поэтому пример ниже на английском.
Генерируем одну реплику на английском:
import numpy as np, soundfile as sf
from kokoro import KPipeline
pipe = KPipeline(lang_code="b") # b британский английский, a американский английский, j японский, z китайский
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)Первая буква в названии голоса — язык, вторая — пол: bm_george — британский мужской голос, bf_emma — британский женский. Полный список — в официальном VOICES.md. При первом запуске модель сама скачается с Hugging Face.
Установка Chatterbox TTS: ставьте версию с GitHub, а не старую с PyPI
Это самая большая ловушка, в которую я попал. Многие инструкции советуют pip install chatterbox-tts, но так ставится версия 0.1.7 с PyPI, где многоязычная модель ещё старая, V2. Я проверил её на китайской реплике: она закончила чтение за три с небольшим секунды, а потом добавила больше десяти секунд пауз и странных звуков.
Multilingual V3, Nano и китайская версия есть только в свежей версии на GitHub, так что ставьте прямо оттуда:
mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"setuptools<81 в конце тоже обязателен. Пакет водяных знаков Perth до сих пор использует старый pkg_resources, а новые версии setuptools его убрали. Если не зафиксировать версию, при первом же запуске будет ошибка.
Клонирование голоса через Nano:
import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS
model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)arthur-ref.wav — образец голоса, который нужно клонировать. Формат файлов китайской версии немного отличается от основной программы, и код загрузки приходится слегка править. Такую рутину удобно отдать Claude Code или Codex.
Пусть установкой займётся Claude Code или Codex
Если не хочется разбираться с версиями, откройте Claude Code или Codex в терминале и введите:
Установи в ~/tools Kokoro-82M и Chatterbox (Chatterbox — последнюю версию с GitHub, с Nano и Multilingual V3), с PyTorch для CPU, и сделай для каждого команду, которую можно вызвать из любой папкиЯ ставил именно так. Устаревшая версия на PyPI, несовместимость с setuptools и ошибка загрузки китайской версии — ИИ-ассистент сам нашёл причины всех этих проблем и всё исправил. Плюс установки в ~/tools в том, что все проекты пользуются одной установкой, не нужно ставить отдельную копию для каждой игры.
Что такое клонирование голоса? Бесплатный способ на открытых моделях
Клонирование голоса (voice cloning) — это когда вы даёте модели фрагмент чьей-то речи, и она читает новые реплики тем же тембром. В Chatterbox клонирование голоса бесплатное и простое: нужен образец голоса и текст, который надо прочитать. Результат определяется качеством образца:
- Длина 5–10 секунд: если меньше 5 секунд, будет сообщение об ошибке.
- Говорит только один человек: без фоновой музыки и шума.
- Интонация под персонажа: модель перенимает и темп, и эмоции. Если персонаж говорит медленно и монотонно, образец должен звучать так же.
- Лучше на том же языке, что и реплики: если образец на английском, а текст на другом языке, может появиться лёгкий английский акцент. В таком случае официально рекомендуют ставить
cfg_weightравным 0.
Откуда взят голос — очень важно. То, что модель можно использовать коммерчески, не значит, что можно копировать чей угодно голос:
- Записали сами: без проблем.
- Записал актёр озвучки или друг: использовать в игре можно только с согласия этого человека, лучше письменного.
- Голоса персонажей фильмов и игр, знаменитостей: нельзя. Даже простое сходство затрагивает права на образ и личные неимущественные права.
Я пользуюсь ещё одним способом: генерирую реплику в Kokoro и делаю её «исходным» голосом персонажа. У Kokoro лицензия Apache 2.0, сгенерированный звук можно свободно использовать. По сути, вы сначала «проектируете» голос персонажа, а потом Chatterbox читает этим голосом остальные реплики и добавляет эмоции.
Тест: озвучиваем робота-бармена Артура
Для английского голоса Артура я выбрал bm_george из Kokoro. Британский акцент звучит солидно, как у вежливого робота-дворецкого. Скорость речи я снизил до 0,95.
В фильме Артура играет Майкл Шин, но здесь я специально не подражаю его голосу. Озвучка сделана встроенным голосом Kokoro, и клонируется тоже голос, сгенерированный Kokoro, — именно это я имел в виду, говоря, что важно, откуда взят голос.
Все аудио ниже взяты прямо из моделей: я только обрезал тишину в начале и в конце и выровнял громкость.
Kokoro: встроенный голос как есть
Chatterbox: клонируем голос Kokoro
Образец голоса — первая реплика bm_george из Kokoro выше (около 6 секунд).
Для сравнения — встроенный голос оригинального Chatterbox, без клонирования, сила эмоций снижена до 0,3:
Несколько наблюдений:
- Kokoro всегда выдаёт одно и то же: та же реплика, тот же голос — результат идентичен, сколько ни генерируй, выбирать не нужно. Хотите другое настроение — меняйте голос или скорость.
- Chatterbox каждый раз выдаёт разное: с другим seed та же реплика получает другую интонацию и ритм, поэтому стоит сгенерировать несколько вариантов и выбрать.
- Клонирование сохраняет единый тембр: по одному образцу все клонированные реплики звучат тембром одного персонажа, голос не нужно подбирать заново.
- Клонированные версии говорят быстрее: при том же тексте клон от Nano оказался на 10–20% короче оригинала Kokoro. Чтобы замедлить речь, возьмите в качестве образца запись с более медленным темпом.
Озвучка текста на русском: тест
Всё это мало что значит, если модель не говорит на вашем языке, поэтому я перевёл две реплики Артура на русский и прогнал их через обе модели из этой статьи, которые поддерживают русский (Kokoro его не поддерживает):
- Chatterbox Multilingual V3: клонирует английский
bm_george,cfg_weightравен 0 — это официально рекомендуемая настройка, когда образец голоса и реплика на разных языках, она помогает избежать английского акцента. - Qwen3-TTS 0.6B: встроенный голос Ryan.
Как я проверял:
- Каждое аудио я прогнал через Whisper (распознавание речи), чтобы получить расшифровку, и сравнил с исходной репликой.
- Ошибок чтения я не нашёл.
- Скорость, когда модель загружена один раз и генерирует реплики подряд на том же ноутбуке только с CPU: Chatterbox Multilingual V3 — около 30 секунд на реплику, Qwen3-TTS 0.6B — 20–30 секунд, Kokoro — несколько секунд.
Как писать промпт для ИИ-озвучки? Поручите это Claude Code или Codex
В TTS вы вводите саму реплику, а не описываете нужный звук промптом, как при генерации звуковых эффектов. Но выбор голоса, клонирование и проверка результата всегда идут по одной схеме, и её удобно прописать в глобальных настройках ИИ-ассистента для программирования. У Claude Code это файл ~/.claude/CLAUDE.md, у Codex — ~/.codex/AGENTS.md. После этого достаточно сказать «озвучь эти три реплики Артура», и он сделает всё по правилам:
## Озвучка игровых персонажей локальным TTS
Когда я прошу озвучку, используй локальные Kokoro и Chatterbox и следуй этим правилам:
- У каждого персонажа один постоянный голос. Для нового персонажа выбери встроенный голос в Kokoro, сгенерируй реплику на 5–10 секунд и сохрани её как образец; дальше всегда клонируй с него.
- Реплики без эмоций и смеха делай сразу в Kokoro; если нужны эмоции, смех ([laugh], [chuckle]) или совпадение с образцом, клонируй через Chatterbox: для английского Nano или Turbo, для русского Multilingual V3 (с cfg_weight 0, если образец на английском).
- Омографы, имена собственные и заимствованные слова обязательно прослушай, прежде чем утверждать.
- Одна реплика — один файл, имя «персонаж-язык-номер».
- В Chatterbox генерируй каждую реплику с 3 разными seed и покажи мне список файлов и реплик, чтобы я выбрал.
- После генерации проверь длительность: если аудио заметно длиннее, чем должна быть реплика, значит, модель прочитала лишнее; смени seed и сгенерируй заново.
- Не клонируй голоса реальных людей, если я не сказал, что получил их согласие.
- Для веб-страницы или игры обрежь тишину в начале и в конце, добавь короткое затухание, выровняй громкость и сконвертируй в mp3.Больше выразительности: теги смеха в Turbo
Chatterbox-Turbo понимает теги прямо в тексте реплики: [chuckle] — смешок, [laugh] — смех, [cough] — кашель:
Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.Ограничения открытых TTS
После реального использования хочу предупредить о нескольких вещах:
- Без видеокарты придётся потерпеть: Kokoro и Chatterbox Nano быстрые, а остальные версии Chatterbox тратят на CPU минуту-две на реплику.
- Вне английского всё прослушивайте: омографы (особенно с ударением), имена собственные и заимствованные слова могут прозвучать неправильно, так что слушайте каждую реплику, прежде чем добавлять её в игру.
- Выбирайте правильную версию: версия Chatterbox на PyPI устарела, а раз проект больше не поддерживается, некоторые проблемы уже никто не исправит.
- Эмоции зависят от образца и параметров: модель не понимает сюжет и не знает, шутит персонаж или злится. Нужна взволнованная реплика — готовьте взволнованный образец или повышайте силу эмоций.
- Результат всё равно надо проверять: лишние слова, проглоченные звуки, шум в начале — всё это бывает. Как и со звуковыми эффектами, можно попросить Claude Code или Codex выделить отдельного субагента (subagent) для независимой проверки: сначала распознать аудио обратно в текст, затем сравнить с исходной репликой и при расхождении сгенерировать заново.
Главный плюс для инди-разработчика: озвучка уже на ранних этапах
Как и с инструментом для звуковых эффектов из прошлой статьи, я считаю, что главная ценность открытых TTS в том, что у игры появляется озвучка уже в начале разработки.
На ранних этапах сценарий постоянно меняется. Если актёр уже записал реплику, а её поменяли, нужно перезаписывать. С локальным TTS вы правите реплику, запускаете заново — и через десяток секунд готово, без доплат. Когда сценарий утверждён, можно решать, звать ли живых актёров на перезапись.
К тому моменту длина реплик, время показа диалогового окна и длительность анимации рта или жестов персонажа уже подогнаны под озвучку. Чтобы перейти на живую запись, достаточно заменить файлы с теми же именами.
Ещё один плюс — многоязычность. Сайт лунной базы работает на 15 языках, и записать 15 языков с актёрами нереально, но Kokoro поддерживает 8 языков, а Chatterbox Multilingual V3 — 23, так что хотя бы основные языки уже могут получить озвучку.
Частые вопросы
Поддерживает ли Kokoro TTS русский язык?
Нет. Kokoro поддерживает 8 языков: английский (американский и британский), японский, китайский, испанский, французский, хинди, итальянский и бразильский португальский. Для озвучки текста на русском из моделей этой статьи подходят Chatterbox Multilingual V3 и Qwen3-TTS.
Поддерживает ли Chatterbox TTS русский язык?
Да. Multilingual V3 читает 23 языка, включая русский, и может клонировать английский образец голоса, чтобы говорить по-русски; в этом случае ставьте cfg_weight равным 0, чтобы избежать английского акцента. Учтите, что старая версия на PyPI дочитывает лишнее в конце фразы, поэтому ставьте с GitHub.
Можно ли использовать бесплатное клонирование голоса в коммерческих проектах?
У Chatterbox лицензия MIT, так что саму модель можно использовать коммерчески; но у вас должны быть права и на клонируемый голос: ваш собственный, голос, использованный с согласия владельца, или, как в этой статье, голос, сгенерированный Kokoro. Кроме того, в каждом сгенерированном фрагменте есть водяной знак Perth.
Есть ли бесплатная альтернатива ElevenLabs?
Для игровых реплик, закадрового текста и озвучки обучающих видео Kokoro и Chatterbox — бесплатные открытые альтернативы с разрешением на коммерческое использование, которые работают на вашем компьютере. По качеству и эмоциям они пока уступают ElevenLabs, зато не нужно платить за символы и бояться, что сервис подорожает или закроется.
Можно ли запускать открытые TTS без видеокарты?
Можно. Kokoro и Chatterbox Nano на CPU ноутбука генерируют реплику за десяток с небольшим секунд; версии Chatterbox на 500 миллионов параметров тратят минуту-две на реплику, их можно запускать пачками в фоне.
Итог: для озвучки игровых персонажей хватит одного ноутбука
Раньше мне казалось, что озвучка — самая дорогая роскошь в инди-игре: актёры стоят дорого, облачный TTS берёт деньги за символы, и при большом количестве реплик сумма выходит заметная. Kokoro и Chatterbox снижают порог до «один ноутбук, одна реплика, десяток секунд», с разрешением на коммерческое использование и моделью на вашем компьютере, без страха, что сервис закроется.
Следующий шаг — добавить голос Артура в игру, чтобы он действительно заговорил, когда появляется диалоговое окно.
Эта статья — обзор открытых TTS. Дальше я по отдельности расскажу о Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX и VoiceStudio — по статье на каждый, с установкой, настройкой параметров и новыми тестами.
А как вы озвучиваете персонажей своих игр? Найдите мои посты в Threads или X и оставьте комментарий.


