Silero TTS: эксперимент с заменой Piper

Abstract

Эксперимент с Silero TTS от snakers4 — лёгкая модель на CPU, 6 русских голосов. Собрали Docker контейнер, подключили к через remote TTS engine. Работало, но вернулись на Piper — разница в качестве не оправдала +530MB RAM и 3.2GB образ.

---

Зачем

Piper TTS работает нормально, но голос чуть роботизированный. Silero обещал лучшее качество на CPU без GPU. Модель лёгкая — должна не нагружать сервер.

Что сделали

1. Установили silero + torch (CPU-only) в venv
2. Протестировали 5 голосов: ruslan_v2, kseniya_v2, aidar_v2, baya_v2, irina_v2
3. Написали HTTP сервер (silero-tts-server.py) — совместим с Маргинал remote TTS engine
4. Собрали Docker образ с предскачанными моделями
5. Подключили к Маргинал через docker-compose.silero.yml
6. Переключили defaultEngine: "remote" → Silero

Бенчмарк

Метрика	Piper	Silero
Синтез	~0.2s	0.4-0.9s
RTF	~0.05x	0.15-0.19x
RAM	~30MB	560MB
Docker образ	~100MB	3.21GB
CPU (простой)	0%	0%
Зависимости	onnxruntime	torch + silero

RTF 0.15x — это в 6 раз быстрее реального времени. На 12-поточном i5-12400F синтез занимает 0.4-0.5s на фразу. Нагрузки на сервер нет вообще.

Голоса

Silero v2 предлагает 6 русских голосов:

Голос	Пол	Тембр
ruslan_v2	М	Низкий, спокойный
aidar_v2	М	Средний, нейтральный
kseniya_v2	Ж	Высокий, ясный
baya_v2	Ж	Средний, мягкий
irina_v2	Ж	Низкий, плавный
natasha_v2	Ж	Высокий, энергичный

Архитектура

Маргинал Controller → POST http://silero-tts:9880/speak
  { text, voice } → WAV bytes в ответ

Docker compose overlay (docker-compose.silero.yml) добавляет Silero как sidecar в mrgnl-radio сеть. Контроллер видит его по имени silero-tts:9880.

Модели предскачаны в образ (v2_ruslan.pt, v2_kseniya.pt, …) — torch.hub лезет в интернет, а в Docker контейнере сети нет. Поэтому .pt файлы лежат в /opt/silero-models/src/silero/model/.

Почему вернулись на Piper

• Разница в качестве минимальная — оба звучат как TTS
• +530MB RAM постоянно (torch в памяти)
• Образ 3.2GB vs 100MB — torch CPU тяжёлый
• Swap на сервере и так 9.7GB — лишний torch не помогает
• Piper уже работает 10/10 — говорит нормально

Вывод

Silero — хорошая модель, но для нашего use case (раз в 3-5 минут сказать фразу) Piper достаточно хорош. 530MB RAM и 3.2GB образ не оправданы. Если бы ИИбан говорил чаще — может быть. Но сейчас — нет.

Файлы

• docker/silero-tts/Dockerfile — образ с torch CPU + моделями
• docker/silero-tts/silero-tts-server.py — HTTP сервер
• app/docker-compose.silero.yml — Docker compose overlay
• Скрипты и модели закешированы в /tmp/silero-models/

Связанные статьи

Связанные

← Alban ИИбан DJ — ИИ-диджей радио

---

← mrgnl