Glasvo: вставил текст, нажал кнопку, получил озвучку нейросетью (бесплатно, у себя на компе, без подписок и лимитов)

Помните эти сервисы озвучки? Первые пару тысяч знаков бесплатно, а дальше «оформите подписку». Или читай сам, потом вырезай «э-э» и вздохи. Мне надоело и то и другое, поэтому сделал программу, которая читает текст вслух сама, а считает всё на твоём компьютере.

Glasvo — бесплатная программа для Windows 10 и 11. Очень просто:

1. Вставляешь текст.
2. Выбираешь голос.
3. Жмёшь «Озвучить».
4. Получаешь mp3 или wav. Всё.

Для ленивых

• Ничего настраивать не надо. Цифры сама прочитает словами («2026» превратится в «две тысячи двадцать шесть»), английские слова переведёт в русскую речь («YouTube» будет «ютуб»). Длинный текст сама порежет по предложениям, склеит с паузами и выровняет громкость.
• Ставить ничего вручную не надо. Распаковал архив, запустил install.bat, он сам докачает Python и всё остальное, сделает ярлык. Дальше запуск с рабочего стола.
• Регистрации, ключей и карты не надо. Silero и клонирование считаются у тебя на компе, текст никуда не уходит (кроме голосов Edge: они работают через интернет).
• Обновляется сама: при запуске предлагает новую версию, настройки и скачанные голоса остаются.
• В систему ничего не лезет: всё лежит в одной папке. Надоела программа, удалил папку и ярлык, и всё.

Три способа озвучки в одном окне

• Silero — работает без интернета. Пять русских голосов (aidar, eugene, baya, kseniya, xenia), плюс голоса с акцентами и английские. Скорость и тон крутятся ползунками. Ударение стоит само, а если ошибся, ставь плюс перед гласной: зам+ок или замк+и.
• Голоса Microsoft Edge — Дмитрий, Светлана и другие. Нужен интернет, видеокарта не нужна совсем.
• Клонирование голоса — даёшь запись своего голоса на 6–30 секунд (хоть с диктофона телефона), и нейросеть читает любой текст твоим голосом. Для этого нужна видеокарта NVIDIA.

Сколько это занимает и что нужно
Это нейросети, весят они прилично. Лучше сказать честно сразу.

• Сам архив: около 8 МБ, остальное докачивается при установке.
• После установки около 5,5 ГБ (Python, PyTorch и пакеты). Голоса Silero по 40–140 МБ каждый, качаются при первой озвучке.
• Если нужны только обычные голоса, итого около 6 ГБ. Если поставить ещё и клонирование (XTTS-v2, F5-TTS и Whisper для распознавания образца), то около 10 ГБ. Распаковывай туда, где есть свободное место.
• Видеокарта для Silero и голосов Edge не обязательна. Для клонирования нужна NVIDIA, у меня RTX 3070 на 8 ГБ и занято около 2 ГБ, но с запасом лучше от 6 ГБ.
• Оперативной памяти программа занимает около 1,2 ГБ, при клонировании около 3 ГБ.
• Интернет нужен для установки, для скачивания голосов и для голосов Edge. Silero и клонирование потом работают офлайн.

Насколько быстро
Абзац на 285 знаков — это около 18 секунд речи. Silero на видеокарте читает его за 0,08 секунды, на одном процессоре за полсекунды. Клонирование медленнее, но тоже терпимо: XTTS-v2 выдал 18,7 секунды звука за 5 секунд, F5-TTS 17,3 секунды за 4,4. Первая загрузка модели в память занимает секунд 4-13, потом быстрее.

Нюансы

• Лицензии. Код программы под MIT, делай что хочешь. А вот у самих голосовых моделей свои условия, и почти все они некоммерческие (Silero и русская F5-TTS под CC BY-NC 4.0, XTTS-v2 под Coqui Public Model License). Если будешь озвучивать монетизированные ролики, сначала прочти условия нужной модели.
• Клонировать можно свой голос или голос человека, который разрешил. Чужой без спроса — и неправильно, и во многих местах незаконно.
• Программа не подписана цифровой подписью (сертификат стоит денег, а проект бесплатный). Windows может показать синее окно SmartScreen: жми «Подробнее» → «Выполнить в любом случае». Скрипты установки открыты, их можно прочитать на GitHub.
• Если слово прочиталось странно, напиши его кириллицей, обычно помогает.

Скачать:
Архив (распаковать и запустить install.bat): Glasvo.zip
Страница проекта и исходники: github.com/OlegChe77/glasvo

Вопросы, баги и пожелания пишите в теме. Если какое-то слово или фраза читаются криво, скиньте пример, добавлю в правила.