Установка XTTS-v2 на свой сервер
Установка XTTS сегодня идёт через пакет coqui-tts, поддерживаемый форк Coqui TTS: исходный репозиторий авторы больше не развивают. Модель XTTS-v2 говорит на 17 языках, включая русский, и копирует тембр по записи в несколько секунд, но её веса разрешены только для некоммерческого использования.
Ответ за 30 секунд
XTTS-v2 подходит для личных и исследовательских проектов: ставьте пакет coqui-tts или Docker-образ idiap с видеокартой. Для платной озвучки модель не годится: лицензия CPML запрещает коммерческое использование и модели, и её звука.
GPU-сервер с почасовой оплатой: озвучили проект и удалили сервер.
Лицензия XTTS-v2: где можно использовать голос17языков, включая русский
5002порт tts-server
24 кГцчастота звука
01 · 1 мин
Что умеет XTTS-v2 и при чём тут Coqui TTS#
XTTS-v2 это модель синтеза речи: превращает текст в голос и умеет копировать тембр по короткому образцу. В карточке модели заявлены 6 секунд записи, в документации форка 3 секунды, и можно дать несколько файлов сразу. Модель переносит голос между языками, звук выдаёт с частотой 24 кГц, а потоковый режим по документации даёт первую порцию звука быстрее 200 мс.
Компания Coqui, выпустившая XTTS, исходный репозиторий TTS больше не развивает. Его продолжает институт Idiap: пакет называется coqui-tts, код под лицензией MPL-2.0. Если вам нужна обратная задача, расшифровка речи в текст, смотрите установку Whisper.
Инструмент · 1 мин
Лицензия XTTS-v2: где можно использовать голос#
Веса XTTS-v2 выпущены под Coqui Public Model License. Она разрешает только некоммерческое использование модели и её результатов: любая прямая или косвенная оплата, связанная с моделью или созданным звуком, выводит вас за рамки лицензии. Обучать на выходе XTTS другие модели для коммерции тоже нельзя. Разрешено тестирование и оценка внутри компании.
При первой загрузке модель спрашивает согласие с этими условиями и сохраняет файл tos_agreed.txt. В контейнере вместо диалога задают переменную COQUI_TOS_AGREED=1, и это ваше подтверждение, что использование некоммерческое.
Можно ли вам запускать XTTS-v2
Два вопроса о цели и железе
03 · 1 мин
Установка XTTS через пакет coqui-tts#
Форк протестирован на Ubuntu 24.04 с Python от 3.10 до 3.14. С версии 0.27.4 PyTorch не ставится автоматически: его выбирают под свою CUDA, проще всего через uv.
python3 -m venv ~/tts && source ~/tts/bin/activate
pip install uv
uv pip install torch torchaudio torchcodec --torch-backend=auto
uv pip install "coqui-tts[server]"
tts --model_name tts_models/multilingual/multi-dataset/xtts_v2 \
--text "Привет, это проверка синтеза речи." \
--speaker_wav ~/golos.wav --language_idx ru \
--out_path ~/test.wav --use_cudaМодель скачается при первом вызове. Образец голоса записывайте чисто, без музыки и эха: модель копирует манеру звучания образца, и посторонние шумы ей только мешают.
04 · 1 мин
XTTS в Docker Compose: tts-server на порту 5002#
Idiap публикует два образа: ghcr.io/idiap/coqui-tts для видеокарты и ghcr.io/idiap/coqui-tts-cpu для процессора. Внутри есть tts-server с простым веб-интерфейсом на порту 5002. Документация честно предупреждает, что сервер не оптимизирован под производительность: это удобная проверка, а не основа для сервиса с очередью.
services:
xtts:
image: ghcr.io/idiap/coqui-tts
ports:
- "127.0.0.1:5002:5002"
environment:
- COQUI_TOS_AGREED=1
volumes:
- ./models:/root/.local/share/tts
entrypoint: /bin/bash
command: -c "tts-server --model_name tts_models/multilingual/multi-dataset/xtts_v2 --use_cuda"
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]Том с папкой моделей спасает от повторной загрузки весов при пересоздании контейнера. Для GPU-образа на сервере нужны драйвер NVIDIA и NVIDIA Container Toolkit.
05 · 1 мин
Как открыть XTTS на сервере только для своих#
У tts-server нет входа по паролю, а порт 5002 в примере привязан к 127.0.0.1 намеренно. Снаружи ставьте Caddy или Nginx с HTTPS и паролем, а если синтез вызывает ваш бот, держите их на одном сервере и обращайтесь к localhost.
Голос только с согласия
Клонируйте свой голос или голос человека, который письменно разрешил это сделать. Записи образцов храните вместе с этим согласием.
06 · 1 мин
Вопросы об установке XTTS#
Поддерживает ли XTTS-v2 русский язык?
Да, русский входит в 17 языков модели. Язык задают параметром language_idx ru в командной строке или language="ru" в Python.
Сколько секунд записи нужно XTTS, чтобы скопировать голос?
Карточка модели называет 6 секунд, документация форка 3 секунды. Несколько чистых образцов подряд дают более ровный результат и не замедляют синтез.
Почему XTTS при первом запуске просит принять условия?
Так модель подтверждает согласие с некоммерческой лицензией CPML. В Docker вместо ответа в консоли задают переменную COQUI_TOS_AGREED=1.
Почему этому можно верить
Как мы проверяли
Источники цифр на этой странице: VPS и VDS серверы Таймвеб Клауд, timeweb.cloud/services/vds-vps, проверено 14 октября 2026; Серверы с GPU Таймвеб Клауд, timeweb.cloud/services/gpu, проверено 14 октября 2026; Hugging Face: карточка XTTS-v2 и лицензия CPML, huggingface.co/coqui/XTTS-v2, проверено 14 октября 2026; coqui-tts (форк Idiap): README и установка, github.com/idiap/coqui-ai-TTS, проверено 14 октября 2026; Документация coqui-tts: Docker-образы, coqui-tts.readthedocs.io/en/latest/docker_images.html, проверено 14 октября 2026; Документация coqui-tts: модель XTTS, coqui-tts.readthedocs.io/en/latest/models/xtts.html, проверено 14 октября 2026.
Возьмите сервер с видеокартой под модель
Облачный GPU-сервер запускается за 1-2 минуты, оплата почасовая.
- RTX 4090, A5000, A6000, A100, H100
- От 1 до 4 карт на сервер
- Почасовая оплата
- Дата-центры уровня Tier III