[{"data":1,"prerenderedAt":609},["ShallowReactive",2],{"guide-\u002Fguides\u002Fgpu-dlya-tts":3},{"id":4,"title":5,"body":6,"checkedAt":599,"date":600,"description":601,"extension":602,"meta":603,"navigation":604,"path":605,"seo":606,"stem":607,"__hash__":608},"guides\u002Fguides\u002Fgpu-dlya-tts.md","GPU для TTS и генерации речи",{"type":7,"value":8,"toc":585},"minimark",[9,13,22,27,145,157,161,249,256,260,282,289,293,296,315,318,322,329,352,355,359,362,386,393,399,403,406,476,479,483,531,535,558,562],[10,11,5],"h1",{"id":12},"gpu-для-tts-и-генерации-речи",[14,15,16,17,21],"p",{},"Синтез речи (Text-to-Speech) — одна из ",[18,19,20],"strong",{},"самых лёгких"," GPU-задач. Большинство TTS-моделей помещаются в 4–8 ГБ VRAM и не требуют дата-центровых карт. Переплачивать за A100 здесь почти всегда бессмысленно — cheaper is better. Логика выбора обратная от LLM-инференса: сначала смотрите на дешёвые consumer-карты, A100 — только для тяжёлого batch-режима.",[23,24,26],"h2",{"id":25},"требования-моделей","Требования моделей",[28,29,30,49],"table",{},[31,32,33],"thead",{},[34,35,36,40,43,46],"tr",{},[37,38,39],"th",{},"Модель",[37,41,42],{},"VRAM (инференс)",[37,44,45],{},"VRAM (fine-tune)",[37,47,48],{},"Особенности",[50,51,52,67,80,93,107,121,133],"tbody",{},[34,53,54,58,61,64],{},[55,56,57],"td",{},"Silero TTS",[55,59,60],{},"1–2 ГБ",[55,62,63],{},"4–6 ГБ",[55,65,66],{},"Лёгкая, быстрая, русский язык",[34,68,69,72,74,77],{},[55,70,71],{},"VITS \u002F VITS2",[55,73,63],{},[55,75,76],{},"12–16 ГБ",[55,78,79],{},"Клонирует голос, хорошее качество",[34,81,82,85,87,90],{},[55,83,84],{},"Piper",[55,86,60],{},[55,88,89],{},"не fine-tun'ится",[55,91,92],{},"ONNX, работает на CPU тоже",[34,94,95,98,101,104],{},[55,96,97],{},"Coqui XTTS-v2",[55,99,100],{},"6–8 ГБ",[55,102,103],{},"16–24 ГБ",[55,105,106],{},"Голосовой клон из 6 сек, мультиязычная",[34,108,109,112,115,118],{},[55,110,111],{},"Bark",[55,113,114],{},"8–12 ГБ",[55,116,117],{},"24+ ГБ",[55,119,120],{},"Звуки, смех, эмоции, тяжелее",[34,122,123,126,128,130],{},[55,124,125],{},"F5-TTS",[55,127,76],{},[55,129,117],{},[55,131,132],{},"Современная flow-matching, высокое качество",[34,134,135,138,140,142],{},[55,136,137],{},"IndexTTS \u002F Fish Speech",[55,139,114],{},[55,141,103],{},[55,143,144],{},"Клонирование, диаризация",[146,147,150],"callout",{"color":148,"icon":149},"primary","i-lucide-lightbulb",[14,151,152,153,156],{},"Для большинства задач TTS ",[18,154,155],{},"достаточно 8–16 ГБ VRAM",". RTX 4080 (16 ГБ) или RTX 3090 (24 ГБ) — избыточны для инференса, но дёшевы. A100 нужна только при batch-обработке тысяч часов аудио или при потоковом API с десятками одновременных запросов.",[23,158,160],{"id":159},"рекомендации-по-картам","Рекомендации по картам",[28,162,163,179],{},[31,164,165],{},[34,166,167,170,173,176],{},[37,168,169],{},"Сценарий",[37,171,172],{},"Карта",[37,174,175],{},"VRAM",[37,177,178],{},"Цена (₽\u002Fчас)",[50,180,181,195,208,222,235],{},[34,182,183,186,189,192],{},[55,184,185],{},"Silero, разовая генерация",[55,187,188],{},"RTX 3080",[55,190,191],{},"10 ГБ",[55,193,194],{},"43–168",[34,196,197,200,203,205],{},[55,198,199],{},"VITS, XTTS, любая модель разово",[55,201,202],{},"RTX 3090 \u002F RTX 4080",[55,204,103],{},[55,206,207],{},"67–307",[34,209,210,213,216,219],{},[55,211,212],{},"Bark \u002F F5-TTS, стабильный запуск",[55,214,215],{},"RTX 4090",[55,217,218],{},"24 ГБ",[55,220,221],{},"от 83",[34,223,224,227,230,232],{},[55,225,226],{},"Batch-инференс (1000+ аудио\u002Fчас)",[55,228,229],{},"A5000",[55,231,218],{},[55,233,234],{},"110–439",[34,236,237,240,243,246],{},[55,238,239],{},"Многопоточный сервис, продакшн",[55,241,242],{},"A100 80GB",[55,244,245],{},"80 ГБ",[55,247,248],{},"212–1678",[14,250,251,252,255],{},"Для разовой генерации даже ",[18,253,254],{},"RTX 3080 за 43 ₽\u002Fчас"," избыточна по мощности — упираетесь в длину текста и I\u002FO, не в GPU. Это делает TTS самым дешёвым GPU-use-case в аренде.",[23,257,259],{"id":258},"когда-нужна-a100a5000","Когда нужна A100\u002FA5000",[261,262,263,270,276],"ul",{},[264,265,266,269],"li",{},[18,267,268],{},"Batch-инференс"," — генерация тысяч аудио для датасета, озвучки книг, подкастов, локализации видеоигр. При батчинге throughput на A100 в 5–10× выше consumer-карт, разница в цене окупается.",[264,271,272,275],{},[18,273,274],{},"Многопоточный API"," — TTS как сервис с десятками одновременных запросов. Здесь нужна не latency одного запроса, а общая пропускная способность.",[264,277,278,281],{},[18,279,280],{},"Fine-tune XTTS\u002FF5-TTS"," — 24+ ГБ VRAM, A5000\u002FA100.",[14,283,284,285,288],{},"Для одиночных запросов (один пользователь, разовая генерация) ",[18,286,287],{},"RTX 4090 быстрее и дешевле"," A100 — модель маленькая, упираетесь в latency одного запроса, а не в throughput. A100 тут будет простаивать на 90% ресурсов.",[23,290,292],{"id":291},"cpu-vs-gpu-для-tts","CPU vs GPU для TTS",[14,294,295],{},"Несколько моделей TTS хорошо работают и на CPU:",[261,297,298,304,309],{},[264,299,300,303],{},[18,301,302],{},"Silero"," — на современном CPU синтезирует быстрее реального времени, GPU не нужен.",[264,305,306,308],{},[18,307,84],{}," — ONNX-модель, оптимизирована под CPU, ставится на Raspberry Pi.",[264,310,311,314],{},[18,312,313],{},"espeak-ng"," — древний, утилитарный, без GPU вообще.",[14,316,317],{},"GPU нужен для моделей с transformer-архитектурой (Bark, F5-TTS, XTTS) и для batch-режима. Для стримингового синтеза коротких фраз на CPU часто разумнее, чем арендовать GPU.",[23,319,321],{"id":320},"потоковый-синтез-и-latency","Потоковый синтез и latency",[14,323,324,325,328],{},"Для стриминговых ассистентов важна ",[18,326,327],{},"time-to-first-audio"," — время от запроса до первых звуков голоса:",[261,330,331,336,342,347],{},[264,332,333,335],{},[18,334,302],{}," — 100–300 мс на CPU, идеален для real-time.",[264,337,338,341],{},[18,339,340],{},"XTTS-v2"," — 0.5–2 с на GPU, приемлемо для чат-ботов.",[264,343,344,346],{},[18,345,111],{}," — 2–5 с на GPU, не подходит для real-time диалога.",[264,348,349,351],{},[18,350,125],{}," — 1–3 с на GPU, компромисс качества и скорости.",[14,353,354],{},"Для real-time диалога берите Silero или XTTS. Для озвучки книг\u002Fвидео (где latency не важна) — F5-TTS или Bark, там важнее финальное качество.",[23,356,358],{"id":357},"клонирование-голоса","Клонирование голоса",[14,360,361],{},"Клонирование голоса (voice cloning) — частый сценарий аренды под TTS:",[261,363,364,369,374,380],{},[264,365,366,368],{},[18,367,340],{}," — клон из 6 секунд референса, мультиязычный, среднее качество.",[264,370,371,373],{},[18,372,125],{}," — клон из 5–10 секунд, высокое качество, лучше держит тембр.",[264,375,376,379],{},[18,377,378],{},"OpenVoice v2"," — быстрый клон, нейтральное качество, легко fine-tune.",[264,381,382,385],{},[18,383,384],{},"Fish Speech"," — клон + диаризация, коммерчески пригодный.",[14,387,388,389,392],{},"Для клонирования ",[18,390,391],{},"GPU обязателен"," — даже инференс требует transformer-прохода. Минимум 8 ГБ VRAM (XTTS), комфортно 16+ ГБ (F5-TTS, Fish Speech).",[146,394,396],{"color":148,"icon":395},"i-lucide-info",[14,397,398],{},"Клонирование чужого голоса без согласия — нарушение закона (ст. 152.1 ГК РФ, ответственность за misuse голоса). Для коммерческого использования клонируйте только свой голос или голос по договору.",[23,400,402],{"id":401},"batch-пропускная-способность","Batch-пропускная способность",[14,404,405],{},"Для озвучки большого корпуса (книги, подкасты, локализация) throughput важнее latency:",[28,407,408,423],{},[31,409,410],{},[34,411,412,414,417,420],{},[37,413,172],{},[37,415,416],{},"Silero, аудио\u002Fчас",[37,418,419],{},"XTTS, аудио\u002Fчас",[37,421,422],{},"Bark, аудио\u002Fчас",[50,424,425,438,450,463],{},[34,426,427,429,432,435],{},[55,428,188],{},[55,430,431],{},"200+",[55,433,434],{},"30–50",[55,436,437],{},"10–20",[34,439,440,442,445,448],{},[55,441,215],{},[55,443,444],{},"500+",[55,446,447],{},"80–120",[55,449,434],{},[34,451,452,454,457,460],{},[55,453,229],{},[55,455,456],{},"400+",[55,458,459],{},"70–100",[55,461,462],{},"25–40",[34,464,465,467,470,473],{},[55,466,242],{},[55,468,469],{},"1000+",[55,471,472],{},"300–500",[55,474,475],{},"100–200",[14,477,478],{},"A100 даёт 5–10× throughput на тяжёлых моделях за счёт большого batch. Для разовой озвучки одной книги дешевле обойдётся 4090 за сутки, для постоянного сервиса — A100.",[23,480,482],{"id":481},"практические-шаги","Практические шаги",[484,485,486,489,502,509,518,521],"ol",{},[264,487,488],{},"Определите модель и режим (инференс \u002F fine-tune \u002F batch).",[264,490,491,492,496,497,501],{},"Для разового синтеза — ",[493,494,188],"a",{"href":495},"\u002Fgpu\u002Frtx3080"," или ",[493,498,500],{"href":499},"\u002Fgpu\u002Frtx3090","RTX 3090",", самая дешёвая опция.",[264,503,504,505,508],{},"Для Bark\u002FF5-TTS и потоковой работы — ",[493,506,215],{"href":507},"\u002Fgpu\u002Frtx4090",".",[264,510,511,512,496,515,508],{},"Для batch-инференса и API — ",[493,513,229],{"href":514},"\u002Fgpu\u002Fa5000",[493,516,242],{"href":517},"\u002Fgpu\u002Fa100-80",[264,519,520],{},"Проверьте, нельзя ли обойтись CPU (Silero, Piper) — тогда GPU не нужен вовсе.",[264,522,523,524,530],{},"Подпишитесь на ",[493,525,529],{"href":526,"rel":527},"https:\u002F\u002Ft.me\u002Fgpuradar_bot",[528],"nofollow","алерт в Telegram"," — сообщим, когда нужная карта появится по нижней цене.",[23,532,534],{"id":533},"хостеры-для-tts","Хостеры для TTS",[261,536,537,544,551],{},[264,538,539,543],{},[493,540,542],{"href":541},"\u002Fhosting\u002Fimmers","immers.cloud"," — RTX 3090\u002F3080\u002F4090 по часам, дёшево для коротких задач.",[264,545,546,550],{},[493,547,549],{"href":548},"\u002Fhosting\u002Fselectel","Selectel"," — A5000\u002FA100 для batch и продакшна.",[264,552,553,557],{},[493,554,556],{"href":555},"\u002Fhosting\u002Fhostkey","HOSTKEY"," — dedicated под постоянный TTS-сервис.",[23,559,561],{"id":560},"смежные-гайды","Смежные гайды",[261,563,564,571,578],{},[264,565,566,570],{},[493,567,569],{"href":568},"\u002Fguides\u002Fmnogopotochnyy-inference","Многопоточный inference"," — batch и throughput для TTS-сервиса",[264,572,573,577],{},[493,574,576],{"href":575},"\u002Fguides\u002Farenda-a100","Аренда A100"," — для тяжёлого batch-инференса",[264,579,580,584],{},[493,581,583],{"href":582},"\u002Fguides\u002Fgpu-dlya-llm-inference","GPU для LLM-инференса"," — если TTS идёт в паре с LLM-ассистентом",{"title":586,"searchDepth":587,"depth":587,"links":588},"",2,[589,590,591,592,593,594,595,596,597,598],{"id":25,"depth":587,"text":26},{"id":159,"depth":587,"text":160},{"id":258,"depth":587,"text":259},{"id":291,"depth":587,"text":292},{"id":320,"depth":587,"text":321},{"id":357,"depth":587,"text":358},{"id":401,"depth":587,"text":402},{"id":481,"depth":587,"text":482},{"id":533,"depth":587,"text":534},{"id":560,"depth":587,"text":561},null,"2026-07-09","Какую видеокарту арендовать для синтеза речи (TTS). Требования Silero, VITS, Bark, XTTS, F5-TTS — от 8 ГБ VRAM. Дешёвые варианты и карты для batch-инференса.","md",{},true,"\u002Fguides\u002Fgpu-dlya-tts",{"title":5,"description":601},"guides\u002Fgpu-dlya-tts","bPi3s0-8-EgOgwIQHZfunF0Kza2kBXyDNqlrwQbTDrs",1783633714171]