Лучший стек с открытым исходным кодом для преобразования речи в текст и текста в речь с высокой точностью и нулевой стои ⇐ Python

[Anonymous]

Мне нужен надежный стек с открытым исходным кодом для преобразования речи в текст (STT) и преобразования текста в речь (TTS).
Мои ограничения:

• Полностью открытый исходный код (без платных API)
• Высокая точность для STT
• Естественный, стабильный TTS (поддержка длинного текста)
• Автономное размещение (GPU или CPU)
• Рабочий процесс на основе Python
• Некоммерческое использование допускается

Я исследовал:

• STT: Whisper, Faster-Whisper, шепот.cpp, Vosk, Kaldi
• TTS: Tacotron, VITS, Piper, модели на основе диффузии/потока, такие как F5-TTS

Однако я не уверен, какая комбинация обеспечивает наилучший баланс между:

• Точностью
• Производительностью
• Стабильностью
• Простотой использования
• Ограничения лицензирования

Какую комбинацию STT + TTS с открытым исходным кодом вы бы порекомендовали сегодня и почему?
Если возможно, я также был бы признателен за понимание реальных компромиссов (задержка, использование ресурсов, проблемы с длинным текстом).
Я не ищу облачные сервисы или платные API.

Подробнее здесь: https://stackoverflow.com/questions/798 ... h-accuracy