IA de voz em russo cabe em 21 MB: tiny-voca-ru roda offline na CPU
O autor adaptou o modelo aberto de síntese de fala tiny-voca para o russo: ele pesa cerca de 21 MB, tem 4,5 milhões de parâmetros e roda offline em um processador comum. O treinamento usou 12 horas de fala de estúdio do dataset Dialogs, e a acentuação das palavras fica a cargo do RUAccent, com o eSpeak como alternativa. Para a demo, foi montado um bot: microfone, reconhecimento de fala, qwen3.5:9b local e síntese de voz. Para falas curtas, notificações e bots de telefone, isso basta, sem assinatura de nuvem.
Processado por IA de Habr AI; editado por Hamidun News
Assistentes de voz costumam esbarrar sempre no mesmo problema: uma síntese de fala de qualidade exige centenas de megabytes de pesos, uma placa de vídeo ou uma API na nuvem. Isso significa gasto com tráfego, dependência de um serviço de terceiros e dúvidas sobre para onde vão as vozes dos usuários. O desenvolvedor que lançou o tiny-voca-ru foi na direção oposta: pegou um modelo aberto minúsculo e o ensinou a falar russo. O resultado tem cerca de 21 MB no formato ONNX e 4,5 milhões de parâmetros. Ele roda offline em uma CPU comum.
O que exatamente foi feito
A base é o modelo aberto tiny-voca. Ele não tinha um perfil para o russo, então o autor adicionou um e treinou o modelo do zero com dados em russo. Foi usado o dataset Dialogs, com diálogos emocionais de estúdio gravados por atores. Dele foram escolhidas duas vozes: a feminina M1 e a masculina D1. No início eram 17,42 horas; depois de filtrar por alinhamento, confiança da transcrição e fonemas desconhecidos, sobraram cerca de 12 horas de fala limpa. Uma verificação amostral de 60 clipes por reconhecimento de fala deu taxa de erro de palavras de 3,3%. Isso não garante que os dados sejam perfeitos, mas indica que a transcrição não está desmoronando.
Uma parte à parte do trabalho foi o "frontend" russo, ou seja, a conversão de texto em sons. Para os fonemas, é usado o eSpeak NG. Os acentos vêm do Dialogs para as frases que existem no corpus; para texto arbitrário, quem os coloca é o RUAccent, que também resolve homógrafos. Ele não é o único ponto de falha: se a acentuação não estiver disponível, o sistema recorre ao eSpeak. Há ainda um pequeno dicionário de exceções para nomes de serviços e palavras cuja pronúncia precisa ser estável. O texto é fonemizado em frases inteiras, caso contrário a preposição "с" (com) pode soar como uma letra isolada.
Hardware e um efeito inesperado do limite de potência
O piloto de 15 000 passos levou cerca de 4,7 horas em uma Tesla P40. Já nele, o Whisper large-v3 reconheceu as frases de controle sem erros, embora a entonação ainda fosse monótona. O treino completo de 100 000 passos na P40 levaria de 35 a 38 horas, enquanto na Tesla V100 de 32 GB coube em aproximadamente 12,5 horas de tempo de GPU. A aceleração foi de 4 a 5 vezes na etapa anterior à GAN e de cerca de 2,4 vezes na fase GAN.
Uma observação curiosa: na V100, limitar a potência a 125 W rendeu 2,26 passos por segundo a 70 °C, enquanto com 225 W a velocidade foi de 1,66 passo/s a 74 °C. O autor explica que, com o limite menor, a placa trabalhou de forma mais estável e a preparação dos dados conseguiu acompanhá-la. Ele mesmo ressalva que isso não é uma lei universal: na maioria das tarefas, reduzir a potência diminui a velocidade. A conclusão prática é mais modesta: se o treino esbarra no carregador de dados, vale medir alguns limites diferentes, é um teste gratuito.
Assistente de demonstração e limitações
O modelo não é mostrado apenas como um botão de "narrar". Em voice.lmchat.ru é possível digitar um texto, escolher a voz e a velocidade, trocar mensagens de voz com o bot ou ligar para ele pelo navegador. A cadeia é esta: microfone, reconhecimento de fala, LLM local qwen3.5:9b via Ollama, frontend russo, síntese, reprodução. Para telefonia de verdade, usa-se a combinação de Asterisk e AudioSocket: o bot atende a chamada e a resposta é falada pelo tiny-voca.
As limitações são apresentadas com honestidade. A qualidade fica abaixo dos grandes TTS de nuvem, especialmente em entonação complexa e textos longos. Os acentos em palavras raras às vezes saem errados. O modelo é voltado a falas curtas, não a audiolivros. As métricas do piloto (erro de altura tonal de 3,07 semitons, precisão das pausas de cerca de 92%) mostram que a fala é compreensível, mas o WER nas frases de controle não mede naturalidade.
Há também uma questão jurídica. O código e o modelo estão sob Apache-2.0, mas os dados de treinamento são distribuídos sob OpenRAIL, e as vozes pertencem a atores reais. Em projetos comerciais, é preciso verificar os termos separadamente e não fazer publicidade em nome dessas vozes sem os devidos direitos.
Para quem trabalha na prática, a conclusão principal é esta: um bot de voz para notificações, terminais, cenários de call center ou dispositivos embarcados não precisa mais de um TTS na nuvem. A combinação de um modelo de síntese pequeno com uma LLM local de 9 bilhões de parâmetros elimina os pagamentos recorrentes de API e mantém os dados dentro do perímetro da empresa. Não se deve esperar uma fala perfeita, mas a barreira de entrada cai bastante.
- 22 de nov. de 2026Grant do Yandex foi para um motor de LLM: modelo de 35B na RTX 2080 Ti é três vezes mais rápido que o llama.cpp
- 21 de nov. de 2026GigaChat — 7º no ranking cego em russo, mas 78 pontos Elo atrás do líder
- 21 de nov. de 2026O MiniMind, projeto aberto, permite treinar a sua própria LLM do zero por US$ 0,42 em uma RTX 3090
- 21 de nov. de 2026Agente Skein apaga etapas antigas do contexto: 97% de execuções bem-sucedidas, mas mais caro que o OpenCode
Perguntas frequentes sobre a notícia
O que exatamente foi feito?
A base é o modelo aberto tiny-voca. Ele não tinha um perfil para o russo, então o autor adicionou um e treinou o modelo do zero com dados em russo. Foi usado o dataset Dialogs, com diálogos emocionais de estúdio gravados por atores. Dele foram escolhidas duas vozes: a feminina M1 e a masculina D1. No início eram 17,42 horas; depois de filtrar por alinhamento, confiança da transcrição e fonemas desconhecidos, sobraram cerca de 12 horas de fala limpa.
O que se sabe sobre Hardware e um efeito inesperado do limite de potência?
O piloto de 15 000 passos levou cerca de 4,7 horas em uma Tesla P40. Já nele, o Whisper large-v3 reconheceu as frases de controle sem erros, embora a entonação ainda fosse monótona. O treino completo de 100 000 passos na P40 levaria de 35 a 38 horas, enquanto na Tesla V100 de 32 GB coube em aproximadamente 12,5 horas de tempo de GPU. A aceleração foi de 4 a 5 vezes na etapa anterior à GAN e de cerca de 2,4 vezes na fase GAN.
O que se sabe sobre Assistente de demonstração e limitações?
O modelo não é mostrado apenas como um botão de "narrar". Em voice.lmchat.ru é possível digitar um texto, escolher a voz e a velocidade, trocar mensagens de voz com o bot ou ligar para ele pelo navegador. A cadeia é esta: microfone, reconhecimento de fala, LLM local qwen3.5:9b via Ollama, frontend russo, síntese, reprodução. Para telefonia de verdade, usa-se a combinação de Asterisk e AudioSocket: o bot atende a chamada e a resposta é falada pelo tiny-voca. As limitações são apresentadas com honestidade.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.