Odcinek kanału YouTube
Trenowałem własny głos AI w Piper TTS. Prawie wyszło. #Homelab 17
18.10.202671 minut nagrań, 4 godziny przy mikrofonie i 8 dolarów na wynajętym GPU. Fine-tuning polskiego głosu w Piper TTS kontra voice cloning w TADA 3B — co naprawdę zdecydowało o jakości.
YouTube
Film ładuje się dopiero po kliknięciu — bez ciasteczek YouTube przed odtworzeniem.
Notatki do odcinka
Streszczenie i rozwinięcie filmu — dla osób, które wolą najpierw przeskanować temat, zamiast oglądać całość.
Chciałem, żeby Piper mówił moim głosem. Po 71 minutach nagrań, czterech godzinach przy mikrofonie i ośmiu dolarach na wynajętym GPU wyszło… prawie. Ten odcinek jest o tym, co faktycznie poprawiło jakość, a co było tylko kosztownym kręceniem się w kółko.
Dataset: 850 próbek i 71 minut audio
Nagrania robiłem własną aplikacją: rejestracja próbek, eksport datasetu i uruchomienie treningu w jednym miejscu. Wyszło 850 nagrań i 71 minut audio. Brzmi jak godzina pracy? Nie — to były cztery godziny przy mikrofonie, bo każdą próbkę trzeba powtórzyć, sprawdzić i odrzucić to, co nie nadaje się do treningu.
Kod, workflow i obrazy Dockera są na GitHubie: piper-tts-training-workflow.
Darkman vs mc_speech: checkpoint bazowy wygrywa
Najważniejszy wniosek z tego odcinka nie dotyczy liczby epok. Decyduje checkpoint bazowy. Przy Darkmanie najlepszy checkpoint nie był ostatnim — numer 352 wypadł lepiej niż to, co powstało później. Po zmianie bazy na mc_speech okazało się, że sam punkt startowy dał więcej niż kolejne godziny nagrywania i treningu.
Po drodze zdążyłem też stracić checkpoint i pomieszać learning rate. GPU nie jest magią: 8 dolarów na RunPodzie wystarczyło na wszystkie testy, ale nie zastąpiło sensownego setupu.
Piper vs TADA 3B: 71 minut kontra 30 sekund
Obok fine-tuningu postawiłem TADA 3B, któremu wystarczyło 30 sekund mojego głosu do klonowania barwy. Porównanie nie jest zero-jedynkowe:
- Piper po treningu działa lokalnie na CPU, offline, bez API. RTF to ułamki sekund.
- TADA 3B lepiej oddaje barwę, ale inferencja na CPU potrafi trwać całe minuty.
- Przy polskim TADA bywa mniej przewidywalna, a Piper — szybszy i lżejszy w codziennym użyciu.
Jeśli chcesz mieć głos „wystarczająco mój” i szybki, Piper ma sens. Jeśli priorytetem jest barwa, a czas nie gra roli — TADA 3B.
Jak to odpalić
Cały workflow (nagrywanie, dataset, trening, inferencja) jest w repo i w Dockerze:
- piper-tts-training-workflow — kod i instrukcja,
- obraz treningowy na Docker Hubie,
- dokumentacja treningu Piper,
- polskie checkpointy na Hugging Face.
Wcześniej klonowałem głos z 30 sekund w osobnym odcinku o voice cloningu. Jeśli chcesz tylko odsłuchać gotowy serwer TTS, zobacz Piper OpenAI TTS HTTP Server.
Najczęstsze pytania
Czy Piper TTS działa offline? Tak. Po treningu model chodzi lokalnie na CPU, bez chmury i bez API.
Ile kosztuje trening własnego głosu? Lokalnie zero złotych i około 142 godzin na Dellu. Na wynajętym GPU: 8 dolarów za wszystkie testy.
Ile nagrań potrzeba? Mój dataset to 850 próbek i 71 minut audio. Więcej nagrań nie pomogło tak, jak zmiana checkpointu bazowego z Darkmana na mc_speech.