Kyutai STT, TTS и Pocket TTS
Потоковые модели распознавания и синтеза речи от авторов Moshi: начинают говорить и расшифровывать, не дожидаясь конца фразы. Pocket TTS (100M) работает на процессоре. Английский, французский и ещё несколько европейских языков, русского нет.
- Разработчик
- Kyutai, Франция
- Первый выпуск
- июн 2025
- Последний выпуск
- апр 2026
- Размеры
- 100M (Pocket TTS) – 2.6B
- Лицензия
- Можно в коммерциюCC BY 4.0 (веса), код MIT и Apache 2.0
- Русский язык
- Нет
- Запуск
- Через свой серверРаботает и без видеокарты
- Сферы
- Поддержка клиентов, Медиа и продакшн, Разработка ПО
Какие задачи решает
- Потоковая расшифровка речи для голосовых ботов
- Озвучка ответов с минимальной задержкой
- Синтез речи на сервере без видеокарты (Pocket TTS)
Где применяется
Требования к железу
Версии
- Pocket TTS 2.0 (6 европейских языков)
- Pocket TTS (100M)
- Kyutai TTS 0.75B
- Kyutai TTS 1.6B
- Kyutai STT 1B (английский и французский)
- Kyutai STT 2.6B (английский)
Как запустить
Ставлю и настраиваю под ключ: подберу размер модели, разверну на вашем сервере, подключу к вашим системам.
Частые вопросы
Можно ли использовать Kyutai STT, TTS и Pocket TTS в коммерческом проекте?
Да. Лицензия: CC BY 4.0 (веса), код MIT и Apache 2.0. Это разрешает коммерческое использование, но перед запуском лицензию всё равно стоит показать юристу.
Какое железо нужно для Kyutai STT, TTS и Pocket TTS?
Минимум: Ноутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии. Есть версии, которые работают и без видеокарты, на обычном процессоре. Точный объём видеопамяти под ваш размер модели и контекст можно посчитать в калькуляторе железа.
Поддерживает ли Kyutai STT, TTS и Pocket TTS русский язык?
Нет. В документации разработчика языки перечислены, русского среди них нет. Для русских задач лучше взять модель из подборки «Открытые ИИ-модели с русским языком».
Где скачать Kyutai STT, TTS и Pocket TTS и сколько это стоит?
Веса Kyutai STT, TTS и Pocket TTS лежат в открытом доступе и скачиваются бесплатно. Платить нужно только за железо, на котором модель работает, и за настройку. Ссылки на первоисточник — в конце страницы.
Как внедряю у заказчика
- ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
- УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
- ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
- ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.
Похожие модели
Голосовой ассистент, который слушает и говорит одновременно, без задержки на распознавание и синтез. Hibiki — синхронный перевод речи в речь между несколькими европейскими языками.
ПодробнееСинтез речиKokorohexgrad (независимый разработчик) · не указанаМожно в коммерциюКрошечная модель синтеза речи (82M), которая звучит на уровне крупных. Работает на обычном процессоре; английский и ещё несколько языков, русского нет.
ПодробнееРечь в текстNVIDIA Parakeet / Canary / Nemotron SpeechNVIDIA · СШАКоммерция с условиямиБыстрые модели распознавания речи от NVIDIA, в том числе потоковые для работы в реальном времени. Parakeet TDT v3 и Nemotron 3.5 ASR понимают русский. Новая Nemotron 3.5 Transcribe (34B, 4.3B активных, OpenMDW 1.1) расшифровывает записи до часа на 40 языках, переводит речь, делит её по говорящим, ставит метки времени по словам и отвечает на вопросы по содержанию (вопросы только на английском); для русского доступны все задачи. Только готовые файлы, живой поток не поддерживается. Цифры авторов: 5,33% ошибок в словах на английском в открытом рейтинге Hugging Face.
ПодробнееИсточник: github.com/kyutai-labs/pocket-tts/releases. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.