Голосовой ИИ Izwi 0.1.0 — бесплатное приложение для локального чата и клонирования голоса — вышло в первой стабильной версии после нескольких месяцев публичных бета-тестов. Код открыт под Apache-2.0, платить не нужно, а записи и голосовые образцы остаются на твоём компьютере. Это десктопное приложение плюс веб-интерфейс, командная строка и локальный сервер. Внутри — голосовой чат в реальном времени, озвучка длинных текстов и другие голосовые функции.
Что вообще случилось: от текста в речь до голосового ИИ
Разработчик собирал Izwi несколько месяцев, гонял публичные беты и наконец выпустил 0.1.0 — первый стабильный релиз. Ключевое слово здесь — «локальный»: все вычисления идут на твоей машине. Всё крутится локально — десктоп-приложение, веб-интерфейс, CLI и локальный сервер. Проще говоря, это ИИ-голосовой помощник, который работает на твоём железе, а не на чужом сервере.
Что именно умеет приложение:
• Голосовые разговоры в реальном времени. Ты говоришь — система распознаёт речь (ASR), передаёт текст языковой модели (LLM), получает ответ и озвучивает его синтезом речи (TTS). Это и есть тот самый голосовой чат с ИИ, только без облака.
• Синтез речи и клонирование голоса. Достаточно короткого образца, чтобы получить похожий голос. Отдельно есть «дизайн голоса»: описываешь голос словами — и получаешь его.
• Studio для длинного аудио. Аудиокниги, длинные озвучки, подкасты — не по кусочкам в чате, а нормальным проектом.
• Транскрипция с диаризацией спикеров. Это когда расшифровка помечает, кто именно говорил: «спикер 1», «спикер 2». Плюс forced alignment — привязка текста к таймкодам, чтобы субтитры не разъезжались.
• OpenAI-совместимый /v1 API. Chat completions, audio/speech, audio/transcriptions. Если у тебя уже есть код, который обращается к OpenAI, его можно перенаправить на localhost и ничего не переписывать.
Под капотом — движок на Rust с фреймворком Candle и собственной работой под Metal и CUDA. На практике это значит: не надо возиться с Python-окружением, конфликтами библиотек и «а почему у меня не запускается». Моделей приличный набор: для синтеза — Qwen3-TTS, Kokoro-82M, Fish Audio S2 Pro, VibeVoice, Voxtral TTS и LFM2.5 Audio; для распознавания — Parakeet TDT v3, Whisper large-v3-turbo, Qwen3-ASR, Granite Speech 4.1, Nemotron ASR и Voxtral Mini; для диаризации — Sortformer и Nemotron 3 diarization; для чата — модели Qwen и LFM.
Что это даёт лично тебе: перевод текста в речь и его преимущества
Мама двоих детей записывает сказку своим голосом один раз — а потом озвучивает им хоть десять книг. Дети слышат мамин голос даже в тот вечер, когда она на дежурстве. Раньше за такое просили подписку, теперь это бесплатно и лежит на домашнем ноутбуке.
Владелец кофейни ставит телефон на стол во время планёрки с бариста. Получает расшифровку, где четко видно, кто что сказал: кто отвечает за молоко, кто за график, кто забыл про поставщика. Не надо вручную разбирать часовую запись и гадать, кому принадлежит фраза.
Фрилансер-дизайнер терпеть не может писать длинные письма клиентам. Он надиктовывает мысль голосом, система превращает её в текст, языковая модель приводит в порядок — и клиент получает внятное сообщение вместо голосового на 12 минут. А если нужно наоборот, можно создать голосовое сообщение с ИИ: набрать текст и озвучить его своим клонированным голосом.
Студент пишет курсовую по записям лекций. Раньше — три часа перемотки. Теперь — расшифровка с разделением на спикеров и поиск по тексту. Для учёбы это экономит не минуты, а вечера.
Самозанятый мастер ведёт голосовой дневник заказов: говорит в микрофон, получает структурированный текст с адресами и суммами. Такой ИИ-голосовой ассистент не требует интернета — можно работать в подвале, в гараже, в поезде без связи.
Тот, кто делает контент на заказ, получает мастерскую: озвучка роликов, черновики аудиокниг, субтитры с таймкодами. Это не гарантия заработка, но ещё один навык, за который платят.
Отдельная история — цепочка «распознал → понял → озвучил». Если языковая модель умеет переводить, та же схема открывает дорогу голосовому переводу: сказал фразу, получил её на другом языке голосом.
Как попробовать прямо сейчас: русский текст в речь за пару кликов
Начнём с бесплатного способа.
1. Найди официальную страницу проекта Izwi и скачай сборку 0.1.0 под свою систему. Никаких лицензий и ключей: Apache-2.0, платить не за что.
2. Установи и открой приложение. Есть десктопная версия, веб-интерфейс, командная строка и локальный сервер — начинай с приложения, там всё наглядно.
3. Выбери модель под задачу. Для быстрой расшифровки — Whisper large-v3-turbo или Parakeet TDT v3. Для озвучки — Kokoro-82M или Qwen3-TTS. Для чата — модель Qwen. Не хватай всё сразу: начни с одной модели на каждую роль.
4. Запиши короткий образец голоса — буквально пару фраз своим обычным голосом. Загрузи в раздел клонирования и попроси озвучить тестовый текст. Получилось похоже — идёшь дальше.
5. Проверь расшифровку. Кинь в транскрипцию запись разговора двух людей и посмотри, разделила ли система спикеров. Это самый быстрый способ понять, годится ли инструмент для твоих созвонов.
6. Подними локальный сервер и направь на localhost свой существующий код, если он уже работает с OpenAI API. Адреса и форматы те же — /v1, chat completions, audio/speech, audio/transcriptions.
7. Пока разбираешься с установкой, открой ChatGPT и попроси его написать сценарий для первой озвучки или список фраз для теста клонирования. Текст пригодится через десять минут.
Плюсы, минусы и что дальше: виды речи в тексте и их применение
Главный плюс — цена и приватность. Подписка не нужна, записи не уходят в облако, а сообщения «сервис недоступен» не будет. Твои интервью, планёрки, черновики и голос остаются на твоём диске. Второй плюс — никакого Python-окружения: движок работает нативно на Rust и Candle, так что менеджить питон не придётся. Третий — совместимость с OpenAI API: переход на локальный стек не требует переписывать код.
Через месяц-полгода это будет выглядеть привычно: голосовая расшифровка встреч прямо на ноутбуке, озвучка своих презентаций своим голосом, субтитры к видео за пару минут. Не фантастика — просто ещё один бытовой инструмент.
Теперь о минусах. Локальный ИИ ест ресурсы: чем мощнее модель, тем бодрее нужен компьютер, а на слабом ноутбуке придётся выбирать модели полегче. Настройка моделей — не одно нажатие, придётся почитать. Клонирование голоса требует согласия человека, чей голос ты копируешь: это не техническое ограничение, а обычная этика и закон. И да, это десктопная история — про мобильное приложение в релизе речи нет.
Вывод и одно действие: как определить тип речи в тексте и использовать его
Izwi 0.1.0 — это первый стабильный релиз бесплатного локального инструмента для голосовой части ИИ: разговоры в реальном времени, клонирование голоса, длинные озвучки, расшифровка с разделением спикеров и совместимый с OpenAI API. Для обычного человека ценность простая: перестать платить за голосовые функции и начать делать то, до чего раньше не доходили руки.
Действие на сегодня: скачай Izwi 0.1.0 и запиши один короткий образец голоса. Одно тестовое сообщение — и ты уже понимаешь, как это работает. Если что-то не завелось или появилась идея, где применить, — расскажи.
🎁 Бонус: распознавание речи и другие возможности
Готовый промпт для первой озвучки. Скопируй, подставь своё и отдай языковой модели — получишь текст, который приятно слушать, а не читать.
```
Ты — редактор текстов для озвучки. Перепиши мой текст так, чтобы его было легко
произносить вслух: короткие предложения, живая разговорная интонация, без канцелярита,
без скобок и сложных перечислений. Сохрани все факты и цифры без изменений.
Разбей на абзацы по 2–3 предложения. В конце дай список из 5 слов, которые
в этом тексте могут прозвучать двусмысленно, и предложи замену.
Мой текст: [вставь сюда свой текст]
```
А перед клонированием голоса проверь по чек-листу: человек дал согласие — раз; запись чистая, без музыки и эха — два; образец короткий и наговорён в спокойном темпе — три; готовый результат ты прослушал перед публикацией — четыре.
Комментарии 0