bampodev/ru-sst-tts-docker repository overview

⁠ru-sst-tts-docker

Одноконтейнерный сервис STT (GigaAM) + TTS (Silero v5_5_ru) для русского языка. OpenAI-совместимый API: распознавание речи и синтез голоса в одном процессе, без внешних зависимостей — модели уже внутри образа.

⁠Эндпоинты

POST /v1/audio/transcriptions   # STT: аудио -> текст
POST /v1/audio/speech           # TTS: текст -> аудио (5 голосов)
GET  /healthz                   # статус
GET  /v1/audio/voices           # список голосов

⁠Запуск

docker run -d --name ru-stt-tts \
    --restart unless-stopped \
    -p 8000:8000 \
    bampodev/ru-sst-tts-docker:linux-amd64     # или :linux-arm64 на aarch64-хосте

Проверка (прогрев моделей ~30–90 с):

curl -s http://localhost:8000/healthz
# {"ok": true, "stt": "gigaam", "tts": "v5_5_ru"}

⁠Примеры API

TTS (цифры, даты, IP и латиница читаются корректно — текст нормализуется автоматически):

curl -s http://localhost:8000/v1/audio/speech \
    -H "Content-Type: application/json" \
    -d '{"voice":"aidar","input":"Созвон в 14:30, позвони на +7 921 555-35-35"}' \
    --output out.wav

Голоса: aidar (по умолчанию), baya, kseniya, eugene, xenia. Форматы вывода: wav (default), mp3, opus, flac, pcm; скорость 0.5–2.0.

STT (форматы, которые понимает ffmpeg: wav, mp3, ogg, webm/opus, m4a):

curl -s http://localhost:8000/v1/audio/transcriptions -F "[email protected]"
# {"text": "распознанный текст"}

Длинное аудио режется на фрагменты по тишине и склеивается.

⁠Параметры

Опционально: -v /path/to/out:/data — каталог для legacy-режима TTS (поле output_path в POST /tts, /generate). Для OpenAI-API не нужен.

⁠Теги

Подробности: gitflic.ru/bampo/ru-sst-tts-docker⁠