LuxTTS v1.4: замеряем реальную скорость и сравниваем с Piper, Kokoro и Qwen3-TTS для локальных агентов

Когда каждая миллисекунда на счету: зачем тестировать TTS для агентов

Вы собрали локального AI-ассистента. Whisper для транскрипции летает, Llama 3.3 70B отвечает за секунду, а вот голос... Голос заставляет ждать. Эти паузы между вопросом и ответом убивают магию. Три секунды молчания - и пользователь уже думает, что система сломалась.

В январе 2026 года вышла LuxTTS v1.4 с обещанием "самой низкой задержки среди open-source TTS". Звучит громко. Проверим, не маркетинг ли это.

Тестовая лаборатория: от RTX 5090 до старенькой 2060

Собрал стенд из трех конфигураций:

• Монстр: RTX 5090 24GB (да, они уже есть), Ryzen 9 7950X3D, DDR5-6400. Для справки: на AITunnel доступ к таким картам стоит космических денег, но для тестов нужно реальное железо.
• Норма: RTX 4070 Ti Super 16GB - типичная карта для AI энтузиастов в 2026
• Бюджет: GTX 1060 6GB и RTX 2060 6GB - то, что еще валяется у многих

Метрика простая: задержка от вызова функции до получения аудиобуфера. Измеряем 100 раз, отбрасываем первые 10 (холодный старт), считаем среднее. Текст: "Привет, как твои дела сегодня?" - 28 символов, типичный запрос к ассистенту.

LuxTTS v1.4: что изменилось с января

Разработчики не спали. В v1.4 добавили:

• Поддержку TensorRT для NVIDIA - это важно
• Кэширование эмбеддингов голоса - если один голос используется постоянно
• Оптимизацию для batch processing - когда нужно синтезировать несколько реплик подряд
• Экспериментальную поддержку AMD ROCm - пока сыровато, но работает

Установка стала проще (и это радует):

pip install luxtts==1.4.0
# Или с TensorRT поддержкой
pip install luxtts[trt]==1.4.0

Цифры, которые заставляют задуматься

Тестировал в трех режимах:

1. Холодный старт (первый вызов после загрузки модели)
2. Горячий (после 10 синтезов)
3. Потоковый (режим для реальных диалогов)

Видите парадокс? Pro версия медленнее на горячем старте. Потому что модель в 3 раза больше (350M параметров против 120M у Base). Но качество... Качество другое. Более естественные паузы, лучше проработка согласных.

А что конкуренты? Piper, Kokoro, Qwen3-TTS в 2026

Взял последние версии на январь 2026:

• Piper 2.3 - теперь с поддержкой эмоций через промпты
• Kokoro v1.2 - та самая, что мы тестировали в многопользовательском чате
• Qwen3-TTS 1.1 - вышла в декабре 2025, обещала лучшее качество из open-source

Piper все еще король скорости. Но он не умеет клонировать голос. Совсем. У вас будет либо стандартный мужской, либо женский голос. Для персонального ассистента - провал.

Kokoro проигрывает в скорости в 3 раза, но дает лучшее качество клонирования. Qwen3-TTS - это вообще другая лига качества, но и требования соответствующие.

Интеграция в реального агента: где собака зарыта

Вот код, который не стоит использовать:

# ПЛОХО: так делать не надо
import luxtts

tts = luxtts.LuxTTS(model_size="base")  # Загрузка при каждом запросе

def respond_to_user(text):
    audio = tts.generate(text)  # Холодный старт каждый раз
    play_audio(audio)

Почему плохо? Модель грузится за 2-3 секунды. Пользователь будет ждать. Правильно так:

# ХОРОШО: так работает в продакшене
import luxtts
from threading import Lock
import queue

class TTSWorker:
    def __init__(self):
        self.tts = luxtts.LuxTTS(model_size="base", device="cuda")
        self.lock = Lock()
        self.preloaded = queue.Queue(maxsize=3)
        
        # Предзагрузка приветственных фраз
        for phrase in ["Привет", "Слушаю", "Как дела?"]:
            audio = self.tts.generate(phrase)
            self.preloaded.put(audio)
    
    def get_audio(self, text):
        # Сначала пытаемся взять из кэша
        if not self.preloaded.empty():
            return self.preloaded.get()
        
        # Потом генерируем с блокировкой
        with self.lock:
            return self.tts.generate(text, streaming=True)

Разница? Первая версия даст задержку 380 мс на первый запрос. Вторая - 28 мс, потому что приветственная фраза уже в памяти.

Кому подойдет LuxTTS v1.4 в 2026 году

Ситуации, когда он выстрелит:

• Игровые NPC: нужны уникальные голоса для сотен персонажей. LuxTTS Nano на GTX 1060 даст 45 мс задержки - игрок не заметит.
• Локальные голосовые ассистенты: типа того, что мы собирали в Hey Lama. Важно, чтобы ответ шел без пауз.
• Образовательные приложения: где учитель говорит голосом пользователя (персонализация работает).

Ситуации, когда лучше взять другой движок:

• Аудиокниги: берите Kokoro или Qwen3-TTS. Качество важнее скорости.
• Массовая генерация контента: Piper на CPU обработает тысячи страниц быстрее.
• Студийное качество: ElevenLabs или AITunnel с доступом к коммерческим моделям. Open-source пока не догнал.

Что будет дальше? Прогноз на 2026 год

Судя по roadmap LuxTTS, в v1.5 обещают:

• Настоящий streaming как в Camb AI (первые 100 мс звука от начала генерации)
• Поддержку voice mixing - когда один голос постепенно переходит в другой
• Встроенную эмоциональную модель без промптов

Но главный тренд 2026 года - не в улучшении отдельных моделей. Он в интеграции. Скоро мы увидим готовые сборки типа "Llama 3.3 + Whisper 4 + LuxTTS" в одном Docker-контейнере, где все оптимизировано для минимальной задержки.

Пока что LuxTTS v1.4 - лучший компромисс между скоростью, качеством и возможностью клонирования голоса. Для локальных агентов в 2026 году альтернатив с таким балансом просто нет.

Если собираете систему сегодня - берите Base версию. Она работает на большинстве карт, дает приемлемое качество и не заставляет пользователей ждать. А это, в конечном счете, главное.