Sesame CSM и open-source TTS 2026: CosyVoice, XTTS, F5-TTS, MetaVoice — локальная озвучка

Автор: Silvana · Дата: 09.08.2026 · Verified: 01.09.2026 · Reading time: 22 минут · Prerequisite: —

Sesame CSM (Conversational Speech Model) и open-weight TTS-модели — альтернатива облачным ElevenLabs и OpenAI TTS для тех, кому важен локальный запуск, приватность данных или коммерческая лицензия без роялти. В обзоре — Sesame CSM (Apache 2.0), CosyVoice 2 от Alibaba, XTTS v2 от Coqui, F5-TTS и MetaVoice, вопросы клонирования голоса из короткого сэмпла, качество русского языка и когда открытые модели догоняют коммерческие, а когда всё ещё уступают.

Кратко

• Sesame — американский стартап, выпустивший 13.03.2025 open-weight модель CSM (Conversational Speech Model). По model card на huggingface.co/sesame/csm-1b (проверено 10.08.2026): фактический размер опубликованной модели sesame/csm-1b — 2B параметров (несмотря на суффикс «-1b» в названии); релиз-нота Sesame описывает выпуск как «1B CSM variant», что указывает на возможные другие внутренние варианты в семействе CSM. Модель специально обучена под conversational-контекст: генерирует речь с учётом истории диалога, что делает её реакции естественнее для голосовых агентов.
• Опубликованная CSM-1B — под лицензией Apache 2.0 (проверено 10.08.2026), коммерческое использование разрешено. Веса — на Hugging Face (sesame/csm-1b).
• Sesame CSM генерирует «RVQ audio codes», которые декодируются в аудио через Mimi codec. Требует чуть более сложный pipeline, чем классические vocoder-based модели.
• Другие ведущие open-weight TTS 2026: CosyVoice 2 (Alibaba, 500M/1.5B, зеро-шот клонирование, 5 языков), XTTS v2 (Coqui, MPL 2.0, 17 языков, поддержка русского), F5-TTS (SWivid, non-autoregressive, real-time), MetaVoice-1B (MetaVoice, Apache 2.0, английский-фокус).
• Основные сценарии open-source TTS: локальный деплой без интернета (приватность), встроенное озвучивание в приложениях без API-биллинга, дообучение на собственных данных, оффлайн-агенты.
• Клонирование голоса без cloud: XTTS v2, CosyVoice 2, F5-TTS — все поддерживают zero-shot voice cloning из короткого референса (3-15 секунд аудио). CSM также требует референс аудио для segments-контекста.
• Hardware requirements: для комфортной работы large-моделей — GPU с 8+ GB VRAM или Apple Silicon с 16+ GB unified memory. CPU-инференс возможен, но медленный.
• Русский язык: XTTS v2 — единственная из перечисленных с явной поддержкой русского. CosyVoice 2 и CSM обучены преимущественно на английском/китайском. F5-TTS работает на многих языках через character-level embedding, но качество на русском ниже native-английского.
• Качество vs ElevenLabs: open-source модели в 2026 году примерно на уровне ElevenLabs Turbo v2.5 по натуральности, но уступают Multilingual v2 на длинных фразах и эмоциях. Клонирование голоса — заметно уступает Professional Voice Clone от ElevenLabs.
• Лицензии: Apache 2.0 (CSM, MetaVoice), MIT (некоторые компоненты), MPL 2.0 (XTTS — коммерческое использование с ограничениями). Внимательно читай перед деплоем в продакшн.

Что это и зачем

Open-source TTS-модели закрывают несколько задач, где облачные сервисы (ElevenLabs, OpenAI, Google) не подходят:

1. Приватность. Данные не покидают твою инфраструктуру. Критично для медицинских, юридических, корпоративных сценариев.
2. Затраты на масштабе. При генерации миллионов минут аудио в месяц собственный inference стоит дешевле API.
3. Оффлайн-работа. Устройства без интернета (промышленные IoT, embedded), локальные ассистенты, экспериментальные проекты.
4. Кастомизация. Дообучение (fine-tuning) на своих голосах, специфические стили, специальные словари.
5. Отсутствие вендор-локина. Модель у тебя — она не «отключится» при изменении цен или условий вендора.

В 2026 году open-source TTS достиг практического уровня для многих задач. Год назад разрыв с ElevenLabs был велик; сейчас — заметен, но не критичен. Многие небольшие продукты используют open-source TTS как основной движок озвучивания. По философии это тот же путь, что open-weight LLM (Llama, Qwen, DeepSeek): веса опубликованы, инференс — на своём железе.

Sesame CSM

Sesame AI — компания, основанная бывшими сотрудниками Google и Meta, запустившая продукт в 2024 году. Основной коммерческий продукт — веб-приложение с голосовым ассистентом «Maya», получившим широкий резонанс за естественность речи (было опубликовано и стало вирусным на Twitter/X в феврале 2025).

CSM-1B (Conversational Speech Model) — open-weight модель, выпущенная 13.03.2025 под лицензией Apache 2.0 (проверено 10.08.2026, huggingface.co/sesame/csm-1b). Ключевые характеристики:

• Размер: по model card на Hugging Face — 2B параметров (несмотря на суффикс «-1b» в имени репозитория). В релиз-ноте Sesame модель описана как «1B CSM variant» — терминология в источниках расходится, ориентируйся на фактический счёт параметров из model card.
• Архитектура: hybrid — Llama-backbone + меньший audio decoder, генерирует Residual Vector Quantized (RVQ) audio codes.
• Codec: Mimi (Kyutai) для декодирования кодов в аудио.
• Contextual generation: модель принимает не только текст, но и историю аудио-контекста (предыдущие реплики), что даёт более естественную интонацию в диалоге.
• Language: primarily English (по model card).
• Native support: доступна в Hugging Face Transformers с версии 4.52.1 (20.05.2025).

Что делает CSM особенной:

• Conversational adaptation. Обычные TTS-модели генерируют реплику изолированно. CSM учитывает предыдущие реплики (свои и собеседника), интонация подстраивается под контекст.
• Voice consistency. При использовании одного и того же контекст-set модель сохраняет узнаваемый голос через долгую беседу.
• Real-time capable. На современном GPU CSM-1B работает в real-time для голосовых агентов.

Ограничения:

• Обучена преимущественно на английском. Другие языки — ограниченно.
• Требует более сложного pipeline, чем классические TTS (нужен Mimi для декодирования, контекст-management).
• Клонирование голоса — через референс-контекст, не через отдельную fine-tuning процедуру.
• Voice generation — только английский. Multi-language поддержка ограничена.

Пример использования (Python):

from generator import load_csm_1b
import torchaudio

generator = load_csm_1b(device="cuda")

audio = generator.generate(
    text="Hello, this is a test of Sesame CSM.",
    speaker=0,
    context=[],  # empty context, or previous segments
    max_audio_length_ms=10_000,
)

torchaudio.save("output.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

Для conversational-режима в context передаются предыдущие сегменты (текст + аудио) — модель генерирует ответ с учётом всего диалога.

CosyVoice 2

CosyVoice — семейство моделей от Alibaba (FunAudioLLM), первое поколение — 2024, актуальное CosyVoice 2 — конец 2024. Позиционируется как «GPT для речи»: LLM-based архитектура генерации.

Ключевые характеристики CosyVoice 2:

• Размеры: 500M и 1.5B (Instruct) параметров.
• Языки: китайский, английский, японский, корейский, кантонский.
• Zero-shot voice cloning: клонирование по 3-15 секундам референс-аудио, без fine-tuning.
• Instruct mode: управление стилем через текстовые инструкции («speak sadly», «with excitement»).
• Cross-lingual: можно клонировать голос на одном языке и генерировать речь на другом.
• Streaming inference: первый chunk аудио за 150-300 мс на GPU.

Лицензия: Apache 2.0.

Ограничения по русскому: нет явной поддержки. Модель может генерировать русский текст, но качество ниже нативных языков.

Пример:

from cosyvoice.cli.cosyvoice import CosyVoice2

cosyvoice = CosyVoice2('pretrained_models/CosyVoice2-0.5B')

# Zero-shot voice cloning
audio = cosyvoice.inference_zero_shot(
    tts_text="Hello, this is my cloned voice speaking.",
    prompt_text="Reference audio transcription",
    prompt_speech_16k=reference_audio_tensor,
)

XTTS v2

XTTS v2 (eXtreme Text-to-Speech) — модель от Coqui, выпущена в конце 2023, остаётся одной из самых популярных open-source TTS. Coqui как компания закрылся в начале 2024, но модель и код остаются open-source и активно поддерживаются сообществом.

Ключевые характеристики:

• Размер: ~450M параметров.
• Языки: 17 языков, включая русский, украинский, польский, немецкий, испанский, английский, китайский, японский.
• Voice cloning: zero-shot из 6-30 секунд референс-аудио.
• Streaming: первый chunk за 200-400 мс.
• Cross-lingual synthesis: голос на одном языке → речь на другом.

Лицензия: Mozilla Public License 2.0 (MPL 2.0). Коммерческое использование возможно, но с оговорками — код и веса нужно указывать как источник, модификации модели тоже под MPL. Для чистого коммерческого использования Coqui продавала отдельную коммерческую лицензию, но после закрытия компании статус сложный. Рекомендуется юридическая консультация перед деплоем в коммерческий продукт.

Пример:

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=True)

tts.tts_to_file(
    text="Привет, это тест синтеза речи на русском.",
    file_path="output.wav",
    speaker_wav="reference.wav",  # клонирование голоса
    language="ru"
)

XTTS v2 на русском — сильная сторона. Из перечисленных open-source моделей это единственная с native-поддержкой русского. Качество приемлемое для многих задач: аудиокниги, обучающие материалы, голосовые сообщения. Уступает ElevenLabs Multilingual v2 по натуральности эмоций, но конкурентно по чистой артикуляции.

F5-TTS

F5-TTS — модель от SWivid (Shanghai Jiao Tong University + другие исследователи), выпущенная в конце 2024. Non-autoregressive TTS с flow matching архитектурой.

Ключевые характеристики:

• Размер: ~330M параметров.
• Архитектура: Diffusion Transformer (DiT) с flow matching, character-level input.
• Inference: быстрый non-autoregressive, real-time на GPU.
• Voice cloning: zero-shot из короткого референса.
• Languages: обучена на английском и китайском, но за счёт character-level embedding работает на многих языках через транслитерацию.

Лицензия: MIT.

Особенности:

• Non-autoregressive — генерирует весь трек за один forward pass, не последовательно. Быстрее автогрессивных моделей.
• Character-level — работает с любыми алфавитами через character embeddings.
• Высокая natural prosody — интонации звучат естественно даже на длинных фразах.

Ограничения:

• Русский формально поддерживается через character-level, но без специального дообучения качество ниже native-английского.
• Клонирование голоса менее точное, чем у CosyVoice 2 или XTTS v2.
• Нужен более быстрый GPU для комфортного inference (7+ GB VRAM для 330M модели).

MetaVoice-1B

MetaVoice-1B — модель от MetaVoice, выпущена в феврале 2024. Один из первых серьёзных open-source TTS на 1B параметров.

Ключевые характеристики:

• Размер: 1.2B параметров.
• Языки: английский (US, UK).
• Voice cloning: zero-shot из 30-секундного референса.
• Emotional speech: поддерживает эмоциональные интонации.
• Long-form synthesis: поддерживает длинные тексты без деградации качества.

Лицензия: Apache 2.0.

Ограничения:

• Только английский. Для других языков не подходит.
• Требует много VRAM (12+ GB) для комфортной работы.
• Меньше активной разработки в 2026 году по сравнению с CosyVoice 2 и F5-TTS.

Сравнение

Модель	Размер	Языки	Русский	Voice Clone	Лицензия	Streaming
Sesame CSM-1B	2B (см. model card)	EN	Ограниченно	Через context	Apache 2.0	Да
CosyVoice 2	500M-1.5B	ZH/EN/JP/KR/HK	Ограниченно	Zero-shot	Apache 2.0	Да
XTTS v2	450M	17 языков	Нативно	Zero-shot	MPL 2.0	Да
F5-TTS	330M	EN/ZH (+char)	Через транслит	Zero-shot	MIT	Да
MetaVoice-1B	1.2B	EN	Нет	Zero-shot	Apache 2.0	Нет

Практический выбор:

• Для русского языка: XTTS v2 — единственный практический вариант из open-source. Качество приемлемое, лицензия MPL 2.0 требует внимания.
• Для conversational-агентов на английском: Sesame CSM-1B. Специально обучена под диалог.
• Для клонирования голоса cross-lingual: CosyVoice 2. Лучшее качество clone среди open-source.
• Для минимальной latency: F5-TTS. Non-autoregressive даёт быстрый inference.
• Для длинных нарративов на английском: MetaVoice-1B или XTTS v2. Обе стабильны на длинных фразах.

Hardware requirements

GPU для комфортной работы (все модели):

• NVIDIA: GPU с 8+ GB VRAM (RTX 3080, 4070, 4080). Оптимально 12+ GB (RTX 4090, A5000).
• AMD: ROCm совместимые (RX 6800+, MI-series). Хуже поддерживается, требует ручной настройки.
• Apple Silicon: M1 Pro/Max/Ultra, M2/M3/M4 с 16+ GB unified memory. Работает через MPS backend PyTorch.

CPU-инференс:

• Возможен, но медленный. 5-15× медленнее real-time для 1B моделей.
• Подходит только для offline-batch обработки, не для real-time.

Диски и RAM:

• Модели занимают 2-5 GB на диске (в fp16).
• 16+ GB RAM для комфортной работы с большими моделями.
• SSD рекомендуется для быстрой загрузки моделей.

Quantization:

• Многие модели поддерживают int8 или int4 quantization через bitsandbytes или GPTQ.
• Даёт ускорение в 2-3× и снижение VRAM в 2-4×.
• С небольшой потерей качества.

Клонирование голоса локально

Все актуальные open-source TTS-модели поддерживают zero-shot voice cloning: ты даёшь короткий референс аудио (3-30 секунд, зависит от модели), модель генерирует речь голосом из этого референса без fine-tuning.

Требования к референс-аудио:

• Формат: wav, mono, 16 или 22 или 24 кГц (зависит от модели).
• Длительность: минимум 3 секунды, оптимально 15-30 секунд.
• Качество: чистая запись без фонового шума, реверберации, компрессии.
• Содержание: разнообразная речь с интонациями, не монотонная.

Пример клонирования через XTTS v2:

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=True)

# Референс — 30 секунд собственной записи
tts.tts_to_file(
    text="Это моя клонированная речь на русском языке.",
    file_path="cloned_output.wav",
    speaker_wav="my_voice_reference.wav",
    language="ru"
)

Качество клонирования:

• Zero-shot open-source vs Professional Voice Clone ElevenLabs: заметная разница на длинных фразах. Open-source сохраняет узнаваемость голоса, но интонации менее точные.
• Для критичных задач (аудиокниги от лица конкретного диктора) — стоит рассмотреть ElevenLabs PVC. Для базовых задач (озвучка обучающих материалов, персональные помощники) — open-source достаточно.

Fine-tuning для лучшего качества:

• XTTS v2, CosyVoice 2 поддерживают fine-tuning на 30-60 минутах голосового датасета.
• Требует GPU с 16+ GB VRAM и 4-12 часов обучения.
• Даёт качество близкое к Professional Voice Clone.

Как начать: пошагово

XTTS v2 (для русского):

# Установка
pip install TTS==0.22.0

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=True)

# Использование
tts.tts_to_file(
    text="Привет. Это тестовая генерация речи через XTTS v2.",
    file_path="output.wav",
    speaker_wav="reference.wav",
    language="ru"
)

Sesame CSM-1B (для английского):

git clone https://github.com/SesameAILabs/csm
cd csm
pip install -r requirements.txt

# Модель скачается с Hugging Face автоматически

from generator import load_csm_1b
import torchaudio

generator = load_csm_1b(device="cuda")

audio = generator.generate(
    text="Testing Sesame Conversational Speech Model.",
    speaker=0,
    context=[],
    max_audio_length_ms=10_000
)

torchaudio.save("output.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

CosyVoice 2:

git clone https://github.com/FunAudioLLM/CosyVoice
cd CosyVoice
pip install -r requirements.txt

# Скачать веса
huggingface-cli download FunAudioLLM/CosyVoice2-0.5B --local-dir pretrained_models/CosyVoice2-0.5B

F5-TTS:

pip install f5-tts

from f5_tts.api import F5TTS

f5tts = F5TTS()
wav, sr, spect = f5tts.infer(
    ref_file="reference.wav",
    ref_text="Reference audio transcription",
    gen_text="Text to generate",
    file_wave="output.wav"
)

Юридические аспекты и лицензии

Внимательно читай лицензии перед коммерческим деплоем:

Apache 2.0 (CSM, CosyVoice 2, MetaVoice-1B, F5-TTS):

• Разрешает коммерческое использование без ограничений.
• Требует сохранить копирайт-нотис и текст лицензии в дистрибуции.
• Можно модифицировать код и веса, публиковать под своей лицензией.
• Патенты защищены — контрибьюторы предоставляют лицензию на свои патенты в контексте модели.

MIT (некоторые компоненты F5-TTS):

• Максимально свободная лицензия.
• Разрешает всё, что не запрещено законом.
• Требует сохранить копирайт-нотис.

MPL 2.0 (XTTS v2):

• Разрешает коммерческое использование.
• Требует держать модифицированный код МPL-компонентов под MPL и публиковать исходники модификаций.
• Не требует открывать код твоего продукта, только модификации MPL-кода.
• Юридический статус Coqui-моделей после закрытия компании — неопределённый. Рекомендуется юридическая консультация.

Общее:

• Коммерческое клонирование чужого голоса без согласия — нарушает права личности в большинстве юрисдикций.
• Для голосов известных людей — риски дополнительные (право на изображение и голос).
• Watermarking сгенерированного аудио — растущее требование регуляторов (EU AI Act, US Executive Orders).

Кому подходит и не подходит

Подходит:

• Компаниям с требованиями по приватности (медицина, финансы, госсектор) — данные не покидают инфраструктуру.
• Проектам с высоким объёмом генерации (миллионы минут/мес) — inference на собственных GPU дешевле API.
• Оффлайн-приложениям (IoT, embedded, локальные ассистенты).
• Исследовательским проектам и стартапам — no vendor lock-in, полный контроль над моделью.
• Русскоязычным проектам, где Yandex/Sber не подходят по инфраструктуре (только XTTS v2 нативно, остальные — с ограничениями).

Не подходит:

• Проектам с требованием максимального качества (аудиокниги профессиональные, реклама) — open-source отстаёт от ElevenLabs по натуральности.
• Продуктам без DevOps-компетенций — деплой и поддержка inference-стека требует навыков.
• Быстрым MVP, где важна скорость — API проще и быстрее.
• Русскоязычным задачам критической важности — Yandex SpeechKit v3 стабильно лучше XTTS v2 на русском.

FAQ

Какая open-source TTS-модель лучшая для русского языка?

XTTS v2 — практически единственный вариант из open-source с native-поддержкой русского. Качество приемлемое: узнаваемое русское произношение, правильные ударения в 85-90% случаев, поддерживает voice cloning из референс-аудио. Уступает Yandex SpeechKit v3 и Sber SaluteSpeech по естественности, но доступна для локального деплоя. Другие модели (CSM, CosyVoice 2, F5-TTS, MetaVoice) на русском работают либо ограниченно, либо не работают.

Что такое CSM от Sesame и чем она отличается от других TTS?

CSM (Conversational Speech Model) — модель, публично выпущенная под именем csm-1b, фактическим счётом параметров 2B (по model card, проверено 10.08.2026), специально обученная под conversational контекст. В отличие от классических TTS, которые генерируют реплику изолированно, CSM учитывает историю диалога (предыдущие реплики) для более естественной интонации. Основной сценарий — voice-агенты и диалоговые интерфейсы. Лицензия Apache 2.0, доступна на sesame/csm-1b на Hugging Face.

Насколько open-source TTS уступает ElevenLabs по качеству?

В 2026 году разрыв заметно сократился. Open-source модели (XTTS v2, CosyVoice 2, F5-TTS, CSM) примерно на уровне ElevenLabs Turbo v2.5 по натуральности. ElevenLabs Multilingual v2 остаётся заметно лучше на длинных фразах и эмоциях. Professional Voice Clone от ElevenLabs — лучше открытого voice cloning. Для многих задач open-source достаточно; для критичных задач и профессиональной озвучки — ElevenLabs остаётся выбором.

Какое железо нужно для запуска open-source TTS?

Минимум: GPU с 8 GB VRAM (RTX 3080, 4070) или Apple Silicon с 16 GB unified memory (M1 Pro и выше). Оптимально: 12+ GB VRAM для больших моделей (CSM-1B, MetaVoice-1B). CPU-инференс возможен, но 5-15× медленнее real-time. Модели занимают 2-5 GB на диске в fp16, quantization уменьшает до 1-2 GB.

Можно ли клонировать чужой голос через open-source модели?

Технически — да. XTTS v2, CosyVoice 2, F5-TTS поддерживают zero-shot voice cloning из короткого референса. Юридически — клонирование чужого голоса без согласия нарушает права личности в большинстве юрисдикций. Для известных людей — дополнительные риски по праву на изображение и голос. Ответственность лежит на пользователе модели, не на создателях open-source кода.

Есть ли у open-source TTS watermarking?

По умолчанию — нет. Классические open-source TTS-модели не встраивают watermark в аудио. Некоторые проекты добавляют watermarking через отдельные компоненты (AudioSeal от Meta, WavMark). Регуляторы (EU AI Act) начинают требовать watermark для AI-сгенерированного контента — в 2026-2027 это становится стандартом.

Какая разница между Sesame CSM и обычным TTS?

Обычный TTS (Multilingual v2, XTTS v2) генерирует речь по тексту изолированно. CSM учитывает conversational-контекст: предыдущие реплики в диалоге, тон собеседника, историю разговора. Результат — более естественная интонация в диалогах: модель «понимает», что она отвечает, а не читает вслух. Для голосовых агентов CSM даёт заметно более живое звучание.

Можно ли дообучить open-source TTS на своих данных?

Да. XTTS v2 и CosyVoice 2 поддерживают fine-tuning на 30-60 минутах речевого датасета. Требует GPU с 16+ GB VRAM и 4-12 часов обучения. Даёт качество близкое к Professional Voice Clone от ElevenLabs. F5-TTS и Sesame CSM также поддерживают дообучение, но с более сложным pipeline.

Что такое zero-shot voice cloning?

Zero-shot voice cloning — клонирование голоса без дообучения модели. Ты даёшь короткий референс-аудио (3-30 секунд), модель на основе этого генерирует речь клонированным голосом. В отличие от fine-tuning (который требует часы обучения), zero-shot работает мгновенно. Качество ниже, чем у fine-tuned, но достаточно для многих задач.

Какая лицензия у моделей и что она разрешает?

Sesame CSM, CosyVoice 2, MetaVoice, F5-TTS — Apache 2.0 (коммерческое использование разрешено). XTTS v2 — MPL 2.0 (коммерческое разрешено с условиями по публикации модификаций MPL-кода). Всегда читай текущую лицензию на GitHub-репозитории перед коммерческим деплоем — они могут меняться. Клонирование чужого голоса без согласия — отдельный юридический вопрос, не связанный с лицензией модели.

Работают ли open-source TTS в браузере через WebAssembly?

Ограниченно. Есть эксперименты с Whisper.cpp WASM, но полноценные TTS-модели типа XTTS v2 и CSM пока плохо работают в браузере из-за размера (450 MB — 5 GB) и требований по вычислениям. Для браузерных приложений — либо облачный API, либо серверный proxy с своим inference. WebGPU-based inference развивается, но не в production для больших TTS-моделей.

Какая latency у open-source TTS на локальном GPU?

Первый chunk аудио: XTTS v2 — 200-400 мс, CosyVoice 2 — 150-300 мс, F5-TTS — 100-200 мс, CSM — 200-350 мс, MetaVoice — 300-500 мс. Real-time throughput (сколько секунд аудио генерируется за секунду вычислений): 3-10× real-time на RTX 4090. На CPU — 0.1-0.3× real-time, не подходит для интерактивных приложений.

Как отличить сгенерированное AI аудио от настоящего?

В 2026 году отличить на слух опытному слушателю всё ещё возможно на длинных фрагментах — интонационные паттерны, специфические артефакты в переходах между фонемами. Технически — использовать AI-детекторы (AI Speech Classifier от ElevenLabs, AudioSeal от Meta для помеченного контента). На коротких фрагментах (до 10 секунд) отличить всё сложнее.

Есть ли ready-to-use сервер для деплоя open-source TTS?

Есть несколько open-source серверов: coqui-tts server (для XTTS v2), CosyVoice API-server (в репозитории FunAudioLLM), F5-TTS API server. Для production обычно строят свой сервер на FastAPI + queue (Celery, Redis) + GPU-worker. Есть коммерческие решения типа Speechify, LMNT, PlayHT — они хостят open-source модели и продают доступ.

Что выбрать для голосового агента: OpenAI Real-time API или локальный CSM?

Real-time API — проще в интеграции, работает out-of-the-box, но требует интернет, платно (~0.15$/мин), данные идут в OpenAI. Локальный CSM — сложнее в деплое (нужны GPU, DevOps), но приватно, дёшево на масштабе, работает оффлайн. Для стартапов и MVP — Real-time API. Для продуктов с миллионами минут разговоров или требованием приватности — локальный CSM.

Что произойдёт с XTTS v2 после закрытия Coqui?

Модель и код остаются open-source (MPL 2.0), доступны на Hugging Face и GitHub-форках. Сообщество (форк coqui-ai/TTS и другие) продолжает поддерживать. Официального development от Coqui больше нет, но модель работоспособна и совместима с современными PyTorch версиями. Для новых проектов рекомендуется рассмотреть CosyVoice 2 как активно развивающуюся альтернативу.

Актуальность

Актуально на 09.08.2026. Модели, цены и условия доступа меняются часто. Перед бизнес-решением всегда сверяйся с первоисточником — все ссылки в разделе Sources ниже.

Sources

• https://www.sesame.com — обзорная страница компании Sesame и продукта (проверено 09.08.2026)
• https://huggingface.co/sesame/csm-1b — модель CSM-1B на Hugging Face с описанием и весами (проверено 09.08.2026)
• https://github.com/SesameAILabs/csm — исходный код CSM (проверено 09.08.2026)
• https://github.com/FunAudioLLM/CosyVoice — исходный код CosyVoice, Apache 2.0 (проверено 09.08.2026)
• https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B — модель CosyVoice 2 на Hugging Face (проверено 09.08.2026)
• https://github.com/coqui-ai/TTS — исходный код TTS-фреймворка Coqui с XTTS v2 (проверено 09.08.2026)
• https://huggingface.co/coqui/XTTS-v2 — модель XTTS v2 на Hugging Face (проверено 09.08.2026)
• https://github.com/SWivid/F5-TTS — исходный код F5-TTS, MIT (проверено 09.08.2026)
• https://huggingface.co/SWivid/F5-TTS — модель F5-TTS на Hugging Face (проверено 09.08.2026)
• https://github.com/metavoiceio/metavoice-src — исходный код MetaVoice-1B, Apache 2.0 (проверено 09.08.2026)
• https://huggingface.co/metavoiceio/metavoice-1B-v0.1 — модель MetaVoice-1B на Hugging Face (проверено 09.08.2026)