Как заставить потоковый TTS говорить по-русски: разбор VoXtream2, подготовка данных и типичные грабли

Потоковый синтез речи — штука непростая, особенно для русского языка с его ударениями и интонациями. Автор статьи на Habr рассказывает, как он учил модель VoXtream2 говорить по-русски, сохраняя возможность клонирования голоса, расстановки пауз и изменения темпа.

В материале — разбор архитектуры VoXtream, пошаговый рецепт подготовки данных для обучения, а также разбор типичных ошибок, которые встречаются на этом пути. Полезно для всех, кто хочет собрать свою TTS-систему с нуля.