Установка XTTS-v2 на свой сервер: коротко и с данными

Конспект страницы: 6 разделов коротко, данные на 14 октября 2026 и ответы на 3 вопроса. Полный разбор с примерами: Установка XTTS-v2 на свой сервер.

Коротко

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. XTTS-v2 подходит для личных и исследовательских проектов: ставьте пакет coqui-tts или Docker-образ idiap с видеокартой.

Конспект по разделам

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.

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.

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. Модель скачается при первом вызове.

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.

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. Клонируйте свой голос или голос человека, который письменно разрешил это сделать.

Возьмите сервер с видеокартой под модель

Облачный GPU-сервер запускается за 1-2 минуты, оплата почасовая.

Вопросы и ответы

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.