К содержимому
Дайджест

Kitten TTS2: голос за 5 секунд, но лицензия не open source

Better Stack·7 октября 2026·8:21
текст даёт основное выбрать инструмент пошагово
Открыть на YouTube
Разбор локальной модели Kitten TTS2: как устроено клонирование голоса, насколько она быстра на Mac и какие ограничения накладывает новая лицензия.

Что в ролике

Тем, кто помнит Kitten TTS как крошечную Apache-модель, стоит знать: вторая версия — это уже другой проект. Kitten TTS2 клонирует голос по 5-секундной записи, но основная модель разрослась до 1,7 млрд параметров, дефолтная сборка весит около 950 МБ, а веса модели больше не открыты. Генерация состоит из двух этапов: языковая модель превращает текст и образец голоса в аудиотокены, а вокодер S3 Gen из Chatterbox Turbo от Resemble AI превращает их в звук и скачивается при первом запуске. На Mac модель работает только на CPU, потому что код ищет Nvidia-видеокарту, поэтому генерация идёт в 2–3 раза медленнее реального времени. По качеству автор приводит только цифры разработчиков: сходство голоса от 49 до 81 балла на незнакомых записях, независимых тестов нет, а на Hugging Face у версии около 130 загрузок. Лицензия Stellin Labs Community License разрешает исследовательское, некоммерческое и коммерческое использование без роялти, но она отзывная, требует регистрации для коммерции, а для компаний с выручкой или инвестициями выше 1 млн долларов бесплатное коммерческое разрешение прекращается; код пакета Apache 2.0, веса — нет, то есть проект source available, а не open source. Для неанглийских голосов используется один референсный клип, поэтому они хрупкие, длинный текст режется на куски, а заявленный реальный тайм на CPU основан на отдельном C++-порте с нулевыми звёздами и без публичных замеров. Итог автора: для экспериментов и MVP это интересный локальный клонер без поминутной оплаты, но для production пока лучше взять ElevenLabs или альтернативы вроде Vox CPM2.

Практика

Что получишь
Понимание, чем Kitten TTS2 отличается от первой версии, как работает клонирование голоса и какие лицензионные ограничения важны перед запуском.
Первый шаг
Поставить пакет через pip install kitten-ml на Python 3.10+ и попробовать клонировать свой голос по 5–10-секундной записи.
Цифры
  • —5 секунд — длина аудиозаписи, которой достаточно для клонирования голоса в Kitten TTS2
  • —1,7 млрд — количество параметров основной модели Kitten TTS2
  • —950 МБ — размер дефолтной сборки весов модели
  • —1 млн долларов — порог выручки или привлечённых инвестиций, после которого бесплатное коммерческое использование прекращается
Честно
Автор — Better Stack, и в видео он продвигает свой YouTube-канал и подписку. Все оценки качества и скорости взяты из документации разработчиков: независимых тестов нет, на Hugging Face у модели около 130 загрузок, а модель вышла несколько дней назад. Для коммерческого использования нужно связаться со Stellin Labs, при выручке или инвестициях выше 1 млн долларов бесплатное разрешение отзывается, а политика допустимого использования не публична; на Mac модель работает только на CPU и в 2–3 раза медленнее реального времени.
Если слова незнакомы — 5 терминов

Связки из этого ролика

2 шт.

Компоненты

8 шт.

Формат: обзор · для практикующих · уверенность разметки 0.87 · источник