Каждый третий ответ вашего голосового ассистента звучит неестественно — дрожание тембра, пропуски фонем. Мы решаем эту проблему дообучением TTS-модели на голос заказчика. После fine-tuning на 30–60 минутах записи модель стабильно читает любой текст: MOS поднимается до 4.3+ против 3.8 у zero-shot, а WER обратного распознавания падает на 5–10%. Результат — ассистент перестаёт 'заикаться' даже на сложных запросах.
Почему fine-tuning лучше zero-shot?
Zero-shot клонирование (например, XTTSv2 в режиме speaker encoder) даёт приемлемый результат, но страдает от дрожания тембра, артефактов на редких фонемах и нестабильности на длинных текстах. Fine-tuning на 30–60 минутах целевого голоса фиксирует акустическое пространство диктора, снижает WER обратного распознавания на 5–10% и поднимает UTMOS на 0.3–0.5. Основные преимущества: предсказуемое качество на любых входах, возможность аугментации данных (шум, реверберация) и контроль над интонацией через conditioning.
Что входит в подготовку датасета для TTS fine-tuning?
Минимальный объём — 30 минут чистых записей. Оптимально — 1–2 часа. Требования к аудио: частота дискретизации 22050 или 24000 Гц, уровень сигнала –18…–12 dBFS, соотношение сигнал/шум >30 дБ, длина фрагментов 3–15 секунд.
Шаги подготовки:
- Запись в студии или тихом помещении (проверьте на фоновый шум).
- Чистка шумов: используйте HPSS-фильтр или spectral subtraction.
- Разметка по предложениям: force alignment с помощью Montreal Forced Aligner.
- Валидация длительности и качества: прогоните через скрипт проверки.
Пример скрипта валидации датасета
import pandas as pd
from pathlib import Path
import soundfile as sf
import numpy as np
def validate_dataset(dataset_dir: str) -> dict:
"""Проверяем датасет перед обучением"""
metadata = pd.read_csv(f"{dataset_dir}/metadata.csv",
sep="|", names=["file", "text"])
stats = {
"total_files": len(metadata),
"total_duration": 0,
"errors": []
}
for _, row in metadata.iterrows():
wav_path = f"{dataset_dir}/wavs/{row['file']}.wav"
if not Path(wav_path).exists():
stats["errors"].append(f"Missing: {wav_path}")
continue
audio, sr = sf.read(wav_path)
duration = len(audio) / sr
stats["total_duration"] += duration
if sr != 22050:
stats["errors"].append(f"Wrong SR {sr}: {wav_path}")
if duration < 1.0 or duration > 15.0:
stats["errors"].append(f"Bad duration {duration:.1f}s: {wav_path}")
stats["total_duration_min"] = stats["total_duration"] / 60
return stats
Fine-tuning XTTS v2 — стек и конфигурация
Мы используем официальный репозиторий Coqui TTS с модификациями под коммерческие задачи. Ниже — конфиг для fine-tuning только декодера (быстрее, меньше шума).
from trainer import Trainer, TrainerArgs
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts
config = XttsConfig()
config.load_json("base_xtts_config.json")
# Параметры fine-tuning
config.audio.output_sample_rate = 24000
config.batch_size = 4
config.eval_batch_size = 2
config.num_loader_workers = 4
# Fine-tuning только decoder (быстрее, меньше данных)
config.trainer_args = {
"epochs": 100,
"save_step": 1000,
"print_step": 50,
"eval_split_size": 0.1
}
Вариации: можно fine-tune весь encoder+decoder при датасете >2 часов, но это увеличивает время обучения в 2–3 раза и требует осторожности с overfitting.
Как оценить качество синтезированного голоса?
Основная метрика — MOS (Mean Opinion Score) по стандарту ITU-T P.800. Мы используем собственную панель из 10–15 слушателей, каждый оценивает 50–80 сэмплов. Результаты:
| Конфигурация | MOS (95% CI) |
|---|---|
| XTTS zero-shot | 3.7–3.9 |
| Fine-tuned 30 мин | 4.1–4.3 |
| Fine-tuned 60+ мин | 4.3–4.5 |
Объективные метрики:
- UTMOS: автоматическая оценка натуральности (модель MOS-predictor)
- SECS (Speaker Embedding Cosine Similarity): сходство с голосом-донором >0.95
- WER на обратном распознавании: не более 5% при среднем темпе
Инфраструктура и стоимость обучения
Выбор GPU зависит от бюджета и требуемой скорости. Мы рекомендуем конфигурации с минимальным FLOPS:
| Конфигурация | Время (30 мин данных) | Примечание |
|---|---|---|
| 1x A100 80GB | ~3–4 часа | Оптимально для batch size 8 |
| 1x A10G | ~6–8 часов | Баланс цена/качество |
| 1x RTX 4090 | ~8–12 часов | Локальное обучение |
Стоимость обучения зависит от выбранной конфигурации и объёма данных. Экономия по сравнению с покупкой готового TTS-решения может достигать 30–50%. Мы помогаем подобрать конфигурацию под ваш бюджет.
Что входит в наш проект по дообучению TTS?
- Аудит исходного материала — оценка качества записей, шумов, дикции.
- Подготовка датасета — чистка, нормализация громкости, разметка (force alignment).
- Обучение модели — выбор архитектуры (XTTS, IhreTTS, YourTTS), подбор гиперпараметров.
- Оценка качества — MOS, UTMOS, SECS, WER.
- Экспорт модели — ONNX / TorchScript для инференса.
- Интеграция — API-обёртка, тестирование в вашем продукте.
- Документация и обучение команды — как обновлять голос, продлевать fine-tuning.
Гарантируем: итоговый MOS не ниже 4.0 при датасете от 30 минут. При несоответствии — дорабатываем за свой счёт.
Сроки ориентировочно
| Этап | Срок |
|---|---|
| Сбор и очистка датасета | 1–2 недели |
| Обучение и evaluation | 3–5 дней |
| Интеграция и тестирование | 3–5 дней |
| Итого | 3–4 недели |
Как избежать типичных проблем при fine-tuning
Записи с фоновым шумом — главный враг качества. Мы применяем HPSS-фильтр и сегментацию по VAD. Дисбаланс фонем (например, отсутствие глухих или свистящих) компенсируется специальным скриптом для создания сбалансированного датасета. На малом объёме данных (менее 30 минут) помогает L2-регуляризация и early stopping. Все эти меры позволяют получить стабильный результат без переобучения.
Если у вас остались вопросы по датасету, архитектуре или бюджету — свяжитесь с нами для консультации. Закажите расчёт стоимости вашего проекта — мы подберём оптимальное решение под ваши задачи.