Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Glasvo narra 17 segundos de fala em russo em 0,08 s numa RTX 3070 doméstica

Cansado de narradores online com limite de caracteres e assinatura, um desenvolvedor criou o Glasvo, programa gratuito e de código aberto que lê texto em voz alta no PC de casa. Numa placa de vídeo RTX 3070, o motor Silero narrou um parágrafo de 285 caracteres (17 segundos de áudio) em 0,08 s, e a clonagem de voz levou de 4,4 a 5 s. Para texto em russo, a pilha local substitui a assinatura, mas exige cerca de 10 GB de disco e uma checagem de licenças.

Processado por IA de Habr AI; editado por Hamidun News
Glasvo narra 17 segundos de fala em russo em 0,08 s numa RTX 3070 doméstica
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1Tudo somado pesa cerca de 10 GB, e a clonagem precisa de 2 GB de VRAM
Dado-chave #2O Silero pula números e caracteres latinos em silêncio, por isso é preciso convertê-los em palavras antes
Dado-chave #3O Silero e o F5-TTS em russo usam CC BY-NC 4.0: para monetizar, leia os termos de uso

Se você precisa narrar texto em russo com frequência, conhece a irritação: o limite gratuito de caracteres acaba e, em seguida, pedem uma assinatura. O autor do projeto Glasvo resolveu o problema de outro jeito e criou um programa que lê o texto em voz alta direto no computador de casa. O código é aberto, com licença MIT.

O desempenho ficou assim: numa placa de vídeo gamer RTX 3070 (8 GB de memória), o motor Silero narrou um parágrafo de 285 caracteres, pouco mais de 17 segundos de fala, em 0,08 segundo. A clonagem de voz, em que o programa lê o texto com a voz de uma amostra curta, leva de 4,4 a 5 segundos no mesmo texto. A conclusão prática: para texto em russo, a narração local já serve como substituta da assinatura, mas tem seus problemas, e o autor os documentou com honestidade.

O que há por dentro e quanto pesa

Numa janela em tkinter, o programa reúne três motores: Silero, as vozes online do Microsoft Edge e a clonagem de voz via XTTS-v2 e F5-TTS. Os modelos em si são chamados com cerca de dez linhas de código. O trabalho principal foi nos detalhes ao redor deles.

O programa em si pesa cerca de 8 MB, e o instalador baixa o resto. O ambiente Python 3.12 com PyTorch 2.5.1 (CUDA 12.1) e 168 pacotes ocupa cerca de 5,5 GB. Os modelos do Silero pesam de 39 a 141 MB cada, o XTTS-v2 ocupa 2,0 GB, o checkpoint russo do F5-TTS, 1,4 GB, e o Whisper small, que reconhece o texto da amostra de voz, 0,9 GB. No total, cerca de 10 GB.

A placa de vídeo só é necessária para a clonagem de voz. Silero e Edge funcionam sem ela. No XTTS e no F5, o pico medido de VRAM em uso foi de cerca de 2 GB, mas o autor recomenda uma placa com 6 GB ou mais.

As medições foram feitas num único texto em russo de 285 caracteres, após o aquecimento:

  • Silero v5_ru na GPU: 0,08 s; na CPU: 0,53 s;
  • XTTS-v2: 5 s para 18,7 s de áudio, com 13 s para carregar o modelo;
  • F5-TTS: 4,4 s para 17,3 s de áudio, com 4 s de carregamento.

O autor ressalva que são execuções isoladas numa única máquina, não um benchmark. Ainda assim, a ordem de grandeza é clara: o Silero roda centenas de vezes mais rápido que o tempo real, e a clonagem de voz, cerca de três a quatro vezes mais rápido.

O que o Silero descarta em silêncio

A surpresa mais desagradável: o Silero não gera erro diante de números e caracteres latinos, simplesmente os pula. Em vez de «две тысячи двадцать шесть» (dois mil e vinte e seis), a narração fica com um buraco. Palavras em inglês nos modelos russos são cortadas com o mesmo silêncio.

Por isso, duas funções ficam antes do modelo. A primeira converte números em palavras com o num2words e entende frações, listas e o sinal de menos. Com os casos gramaticais ela não é perfeita: «в 1990 году» (em 1990) pode sair errado, e o autor aconselha escrever esses números por extenso. A segunda função lê os caracteres latinos em três etapas:

  1. As palavras frequentes vêm de um dicionário: YouTube vira «ютуб», Windows vira «виндоус».
  2. Palavras em maiúsculas e sem vogais são soletradas: USB vira «ю-эс-би».
  3. Todo o resto passa por transliteração.

A verificação foi feita com rigor de engenharia: frases com palavras em inglês foram narradas e reconhecidas de volta pelo Whisper, e todas as palavras foram encontradas. A clonagem foi testada em circuito fechado: a voz do Silero serviu de amostra, XTTS e F5 leram com ela um texto em russo e o Whisper o reconheceu. As palavras coincidiram em 100% nos dois motores.

Há também limites de tamanho. Um trecho de texto no Silero não deve passar de cerca de 700 caracteres; no XTTS-v2, de cerca de 182; para o F5, o autor adotou 400. Textos longos são cortados por frases e colados de volta. Nos modelos russos do Silero há apenas cinco vozes; outras 29 estão no v5_cis_base e falam com sotaque.

Dependências, instalação e licenças

O que mais deu trabalho ao autor foram as versões dos pacotes. A clonagem puxa coqui-tts, f5-tts e transformers, e o gerenciador de pacotes esbarra em conflitos. Foi preciso fixar o torch 2.5.1: transformers 5 e diffusers 0.43 exigem versão 2.6 ou superior, o que quebra o resto. Também foram necessários transformers abaixo da versão 5, huggingface_hub abaixo de 1.0 e omegaconf 2.3.1 por causa do hydra no F5. O requirements.txt contém uma cópia exata do ambiente funcional (pip freeze), e não faixas de versões.

A instalação foi pensada para quem não tem Python: um script baixa o uv, instala por ele o Python 3.12 e cria o venv. Sem placa NVIDIA, entra a build do PyTorch para CPU. Há duas armadilhas: o cache do uv precisa ficar numa pasta com caminho curto, senão o pacote antlr4 não compila, e os modelos não podem ser baixados para a mesma pasta por dois processos ao mesmo tempo.

A principal limitação são as licenças. O código é MIT, mas os modelos são, em sua maioria, não comerciais: o Silero e o checkpoint russo do F5-TTS saem sob CC BY-NC 4.0, o XTTS-v2, sob a Coqui Public Model License, e só o Whisper é MIT. Para vídeos monetizados, é preciso ler separadamente os termos do modelo escolhido. Só vale clonar a sua própria voz ou a de alguém que tenha dado consentimento.

Resumo para quem vai pôr a mão na massa: dá para montar uma narração russa local numa noite. Reserve 10 GB de disco, adicione o pré-processamento de números e caracteres latinos, fixe as versões dos pacotes e confira as licenças logo de início, se pretende usar comercialmente.

História

Perguntas frequentes sobre a notícia

O que há por dentro e quanto pesa?

Numa janela em tkinter, o programa reúne três motores: Silero, as vozes online do Microsoft Edge e a clonagem de voz via XTTS-v2 e F5-TTS. Os modelos em si são chamados com cerca de dez linhas de código. O trabalho principal foi nos detalhes ao redor deles. O programa em si pesa cerca de 8 MB, e o instalador baixa o resto. O ambiente Python 3.12 com PyTorch 2.5.1 (CUDA 12.1) e 168 pacotes ocupa cerca de 5,5 GB.

O que o Silero descarta em silêncio?

A surpresa mais desagradável: o Silero não gera erro diante de números e caracteres latinos, simplesmente os pula. Em vez de «две тысячи двадцать шесть» (dois mil e vinte e seis), a narração fica com um buraco. Palavras em inglês nos modelos russos são cortadas com o mesmo silêncio. Por isso, duas funções ficam antes do modelo. A primeira converte números em palavras com o num2words e entende frações, listas e o sinal de menos.

O que se sabe sobre Dependências, instalação e licenças?

O que mais deu trabalho ao autor foram as versões dos pacotes. A clonagem puxa coqui-tts, f5-tts e transformers, e o gerenciador de pacotes esbarra em conflitos. Foi preciso fixar o torch 2.5.1: transformers 5 e diffusers 0.43 exigem versão 2.6 ou superior, o que quebra o resto. Também foram necessários transformers abaixo da versão 5, huggingface_hub abaixo de 1.0 e omegaconf 2.3.1 por causa do hydra no F5. O requirements.txt contém uma cópia exata do ambiente funcional (pip freeze), e não faixas de versões.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…