Una IA de voz en ruso en 21 MB: tiny-voca-ru funciona sin conexión en CPU
Su autor adaptó al ruso el modelo de síntesis de voz abierto tiny-voca: pesa unos 21 MB, tiene 4,5 millones de parámetros y funciona sin conexión en un procesador convencional. Se entrenó con 12 horas de habla de estudio del dataset Dialogs; los acentos los coloca RUAccent, con eSpeak como alternativa. Para la demo se montó un bot: micrófono, reconocimiento de voz, qwen3.5:9b en local y síntesis. Para respuestas cortas, notificaciones y bots telefónicos basta, sin suscripción a la nube.
Procesado por IA desde Habr AI; editado por Hamidun News
Los asistentes de voz suelen toparse siempre con lo mismo: una síntesis de voz de calidad exige cientos de megabytes de pesos, una tarjeta gráfica o una API en la nube. Eso supone pagar por tráfico, depender de un servicio ajeno y plantearse adónde van a parar las voces de los usuarios. El desarrollador que ha publicado tiny-voca-ru tomó el camino opuesto: cogió un modelo abierto diminuto y le enseñó a hablar ruso. El resultado ocupa unos 21 MB en formato ONNX y tiene 4,5 millones de parámetros. Funciona sin conexión en una CPU convencional.
Qué se ha hecho exactamente
Como base se usó el modelo abierto tiny-voca. No incluía perfil para ruso, así que el autor lo añadió y entrenó el modelo desde cero con datos en ruso. Eligió el dataset Dialogs: diálogos emocionales de actores grabados en estudio. De él seleccionó dos voces, la femenina M1 y la masculina D1. Al principio había 17,42 horas; tras filtrar por alineación, confianza del etiquetado y fonemas desconocidos, quedaron unas 12 horas de habla limpia. Una comprobación por muestreo de 60 clips mediante reconocimiento de voz dio una tasa de error de palabras del 3,3%. No garantiza que los datos sean perfectos, pero indica que el etiquetado no se desmorona.
Una parte aparte del trabajo es el «frontend» ruso, es decir, la conversión del texto en sonidos. Para los fonemas se usa eSpeak NG. Los acentos se toman de Dialogs en las frases que están en el corpus; para texto arbitrario los coloca RUAccent, que además resuelve los homógrafos. No es el único punto de fallo: si el acentuador no está disponible, el sistema recurre a eSpeak. También hay un pequeño diccionario de excepciones para nombres de servicios y palabras cuya pronunciación debe ser estable. El texto se fonemiza por frases completas; de lo contrario, la preposición «с» podría sonar como una letra suelta.
Hardware y un efecto inesperado con el límite de potencia
Un entrenamiento piloto de 15 000 pasos llevó unas 4,7 horas en una Tesla P40. Incluso con él, Whisper large-v3 reconoció sin errores las frases de control, aunque la entonación seguía siendo apagada. El entrenamiento completo de 100 000 pasos habría tardado de 35 a 38 horas en la P40, mientras que en una Tesla V100 de 32 GB se completó en unas 12,5 horas de tiempo de GPU. La aceleración fue de 4 a 5 veces en la etapa previa a la GAN y de unas 2,4 veces en la fase GAN.
Una observación curiosa: en la V100, limitar la potencia a 125 W dio 2,26 pasos por segundo a 70 °C, mientras que con 225 W la velocidad fue de 1,66 pasos/s a 74 °C. El autor lo atribuye a que, con el límite más bajo, la tarjeta trabajaba de forma más estable y la preparación de datos lograba seguirle el ritmo. Él mismo aclara que no es una ley universal: en la mayoría de las tareas, reducir la potencia disminuye la velocidad. La conclusión práctica es más modesta: si el entrenamiento está limitado por el cargador de datos, conviene medir varios límites; es una prueba gratuita.
Asistente de demostración y limitaciones
El modelo no se presenta solo como un botón de «locutar». En voice.lmchat.ru se puede introducir texto, elegir voz y velocidad, intercambiar mensajes de voz con el bot o llamarlo desde el navegador. La cadena es esta: micrófono, reconocimiento de voz, LLM local qwen3.5:9b a través de Ollama, frontend ruso, síntesis y reproducción. Para telefonía real se usa la combinación de Asterisk y AudioSocket: el bot atiende la llamada y tiny-voca locuta la respuesta.
Las limitaciones son reconocidas con franqueza. La calidad es inferior a la de los grandes TTS en la nube, sobre todo en entonación compleja y textos largos. A veces se equivoca con los acentos en palabras poco frecuentes. El modelo está pensado para respuestas cortas, no para audiolibros. Las métricas del piloto (error de tono de 3,07 semitonos, precisión de pausas de alrededor del 92%) muestran que el habla se entiende, pero el WER en frases de control no mide la naturalidad.
Hay además un matiz legal. El código y el modelo están bajo Apache-2.0, pero los datos de entrenamiento se distribuyen bajo OpenRAIL y las voces pertenecen a actores reales. En proyectos comerciales hay que revisar las condiciones por separado y no hacer publicidad en nombre de esas voces sin los derechos correspondientes.
Para los profesionales, la conclusión principal es esta: un bot de voz para notificaciones, terminales, escenarios de llamadas o dispositivos embebidos ya no necesita un TTS en la nube. La combinación de un modelo de síntesis pequeño y una LLM local de 9.000 millones de parámetros elimina los pagos recurrentes por API y mantiene los datos dentro del perímetro propio. No cabe esperar un habla perfecta, pero la barrera de entrada baja de forma drástica.
- 22 nov 2026Un grant de Yandex financia un motor para LLM: un modelo de 35B en una RTX 2080 Ti, tres veces más rápido que llama.cpp
- 21 nov 2026GigaChat: séptimo en el ranking ciego en ruso, pero 78 puntos Elo por detrás del líder
- 21 nov 2026MiniMind, un proyecto abierto, permite entrenar tu propio LLM desde cero por 0,42 $ en una RTX 3090
- 21 nov 2026El agente Skein borra las etapas antiguas del contexto: 97% de ejecuciones exitosas, pero más caro que OpenCode
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se ha hecho exactamente?
Como base se usó el modelo abierto tiny-voca. No incluía perfil para ruso, así que el autor lo añadió y entrenó el modelo desde cero con datos en ruso. Eligió el dataset Dialogs: diálogos emocionales de actores grabados en estudio. De él seleccionó dos voces, la femenina M1 y la masculina D1. Al principio había 17,42 horas; tras filtrar por alineación, confianza del etiquetado y fonemas desconocidos, quedaron unas 12 horas de habla limpia.
¿Qué se sabe sobre Hardware y un efecto inesperado con el límite de potencia?
Un entrenamiento piloto de 15 000 pasos llevó unas 4,7 horas en una Tesla P40. Incluso con él, Whisper large-v3 reconoció sin errores las frases de control, aunque la entonación seguía siendo apagada. El entrenamiento completo de 100 000 pasos habría tardado de 35 a 38 horas en la P40, mientras que en una Tesla V100 de 32 GB se completó en unas 12,5 horas de tiempo de GPU. La aceleración fue de 4 a 5 veces en la etapa previa a la GAN y de unas 2,4 veces en la fase GAN.
¿Qué se sabe sobre Asistente de demostración y limitaciones?
El modelo no se presenta solo como un botón de «locutar». En voice.lmchat.ru se puede introducir texto, elegir voz y velocidad, intercambiar mensajes de voz con el bot o llamarlo desde el navegador. La cadena es esta: micrófono, reconocimiento de voz, LLM local qwen3.5:9b a través de Ollama, frontend ruso, síntesis y reproducción. Para telefonía real se usa la combinación de Asterisk y AudioSocket: el bot atiende la llamada y tiny-voca locuta la respuesta. Las limitaciones son reconocidas con franqueza.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.