Studiu de caz · 2026
Dubnow: un motor de voce care vorbește 31 de limbi, fără plăci video.
Dubnow transformă textul în voce. E motorul din spatele dubidu: citește replicile din subtitrare cu vocea fiecărui personaj, pe un server obișnuit sau direct în browser.
- Rol
- Fondator. Integrare, testare, servere
- Folosit în
- dubidu, dublaj din subtitrări
- Ieșire
- WAV 44,1 kHz, 16 biți
- Rulează pe
- Procesor obișnuit sau în browser
Demo live
Scrie un text, alege limba, ascultă.
Vocea se generează pe calculatorul tău, nu pe un server. Modelul se descarcă o singură dată, apoi rulează în browser, pe placa video sau pe procesor. Timpii de mai jos sunt măsurați aici.
Va rula pe: …
Poți scrie într-o limbă și asculta în alta, de exemplu în română, cu vocea în rusă. Traducerea o face browserul, cu modelul de traducere inclus în Chrome 138+ și Edge 148+, pe calculator. La prima pereche de limbi, browserul își descarcă pachetul de traducere. Textul nu pleacă de pe calculatorul tău. Modelul rămâne salvat în browser, deci a doua vizită pornește fără descărcare. Pe placa video vocea vine mai repede decât timpul real; doar pe procesor, poate dura mai mult decât fraza. Vocile din demo sunt stilurile generice ale modelului; dubidu adaugă voci de personaje și, în curând, voci înregistrate cu actori.
- 31 de limbi, dintr-un singur model
- 99 de milioane de parametri
- 20 de spectatori pe un server cu 10 fire
- 44,1 kHz, calitatea sunetului
01 · De ce
Un film dublat cere mii de replici. La preț de API, nu iese la socoteală.
Un film are în jur de o mie de replici. Cu un serviciu de voce în cloud, plătești fiecare caracter la fiecare vizionare, pentru că dublajul nu se păstrează: se generează pe loc, pentru fiecare familie. Am testat mai multe motoare și le-am ales după ureche. Am păstrat unul mic, cu greutăți deschise, care rulează pe un procesor obișnuit. Pe el l-am construit pe Dubnow.
02 · Comparație
Model mare în cloud sau Dubnow.
Comparația e generală: „model mare” înseamnă clasa de motoare de voce cu 0,7-2 miliarde de parametri, rulate de un furnizor.
Cât costă vocea: un milion de caractere, cam 25 de ore de vorbire
- ElevenLabs v3 / Multilingual v2 80 $ 3,23 $
- ElevenLabs Flash / Turbo 40 $ 1,61 $
- OpenAI tts-1-hd 30 $ 1,21 $
- Amazon Polly, voci generative 30 $ 1,21 $
- Amazon Polly, voci neurale 16 $ 0,65 $
- OpenAI tts-1 15 $ 0,61 $
- Dubnow pe server cu procesor · estimare 0,35 $ 0,014 $
- Dubnow în browser 0 $ 0 $
Prețuri de listă, plată la consum, citite pe paginile de prețuri ale furnizorilor pe 5 noiembrie 2026, fără reduceri de volum și fără nivelurile gratuite. OpenAI marchează tts-1 ca învechit. O oră de vorbire înseamnă 40.320 de caractere, ritmul măsurat de noi în română. Dubnow pe server e o estimare: un server Hetzner cu 16 fire, 99 € pe lună, ocupat tot timpul, la viteza măsurată pe 4 fire. În browser, sinteza rulează pe calculatorul vizitatorului, deci nu ne costă nimic pe oră.
03 · Cum funcționează
Patru rețele mici, legate una după alta.
Textul intră literă cu literă, fără dicționar de pronunție. O rețea estimează cât durează replica, alta construiește sunetul în câțiva pași, iar ultima îl transformă în undă audio. Vocea vine dintr-un stil: un fișier mic care descrie timbrul și ritmul unui vorbitor.
04 · Mărime
99 de milioane de parametri, 398 MB.
Cea mai mare parte e estimatorul care construiește sunetul. Acolo se câștigă viteză: mai puțini pași înseamnă sinteză mai rapidă, cu un mic preț în calitate.
05 · Unde rulează
Pe server astăzi. În browser, mâine.
În dubidu, extensia trimite replicile cu 45 de secunde înainte. Serverele pornesc când apar spectatori și se opresc când pleacă. Pe un calculator cu placă video, sinteza poate rula chiar în Chrome, prin WebGPU, iar serverul nu mai e necesar.
06 · Performanță
Cât de repede vorbește, pe ce hardware.
Toate cifrele de mai jos sunt măsurate de noi, pe replici în română, cu hardware-ul indicat. RTF înseamnă timpul de calcul împărțit la durata vocii: sub 1 e mai rapid decât timpul real.
- În producție
Server, procesor
Intel i7-6700K, 4 fire, Python și ONNX Runtime
0,35× timp real la 10 pași; 0,20× la 5 pașiO secundă de vorbire în 0,35 secunde.
- În test
Browser, WebGPU
Chrome, placă Radeon RX 570
0,20× timp real la 10 pași; 0,14-0,22 în Dubnow LabCalculatorul utilizatorului face sinteza. Serverul nu mai costă.
- Test de încărcare
Mai mulți spectatori
Xeon E5-2630 v4, 10 fire, simulare
20 spectatori simultan, nicio replică întârziatăLa 30 de spectatori, 76% din replici au întârziat. Limita e între 20 și 30.
- Nu e timp real
Browser fără placă video
WebAssembly, un singur fir
2,86× timp real la 10 pașiPrea lent. Varianta cu mai multe fire nu e testată încă.
Cât de corect citește în română
- 2,89%
- cuvinte greșite la 10 pași, diacritice ignorate
- 4,13%
- cu diacritice cu tot
- 11,2
- caractere pe secundă, la viteza normală
Măsurat de noi: 24 de replici, 4 voci, citite înapoi cu Whisper. O parte din erori sunt chiar ale lui Whisper.
Comparat cu alte modele, în română
Rată de cuvinte greșite pe testul Minimax-MLS, publicată de autorii modelului de bază. Mai mic e mai bine.
Rata de cuvinte greșite, pe limbi
- 2,19%
- Română
- 2,06%
- Engleză
- 0,86%
- Germană
- 1,13%
- Spaniolă
- 1,00%
- Turcă
- 1,23%
- Ucraineană
- 1,47%
- Olandeză
- 1,63%
- Poloneză
- 1,75%
- Italiană
- 3,02%
- Cehă
- 3,54%
- Greacă
- 4,89%
- Franceză
Aceeași sursă: testul Minimax-MLS, publicat de autorii modelului de bază. Nu l-am refăcut noi.
07 · Ce am adăugat
Ce face Dubnow în plus față de modelul de la care a pornit.
Reguli de ortografie pentru română
Numere, abrevieri și cuvinte pe care modelul le citea greșit, rescrise înainte de sinteză.
Replica intră exact în timp
Viteza se calculează din durata estimată și din fereastra subtitrării. Nu mai e nevoie de întinderea sunetului.
Voci de copil
Înălțimea și formanții vocii, schimbate după sinteză. Două voci de copil au trecut testul de ascultare.
Amestecuri de voci
Două stiluri combinate dau o voce nouă, cu altă înălțime.
Server comun pentru mulți spectatori
Fiecare proces ia replica cea mai urgentă dintre toți spectatorii. Replicile vin cu 45 de secunde înainte.
Dubnow Studio și Dubnow Lab
Actorii înregistrează replici pentru voci noi. Lab măsoară viteza pe laptopuri reale, înainte să mutăm sinteza în browser.
08 · Utilizări
Unde se potrivește.
Acolo unde contează viteza, costul pe oră și locul în care rămâne textul. Fiecare utilizare are scris lângă ea unde am ajuns.
Dublaj de filme
dubidu citește subtitrarea în română și dă fiecărui personaj vocea lui, sincron cu filmul.
Produse în mai multe limbi
Aceeași scenă, în 18 limbi, pe pagina pentru investitori. O țară nouă înseamnă voci și reguli de scriere, nu alt model.
Podcasturi și interviuri
Doi sau trei vorbitori, fiecare cu vocea lui, traduși dintr-o limbă în alta.
Accesibilitate și educație
Texte citite pentru copiii care nu citesc încă și pentru oamenii care nu văd bine. În browser, textul nu pleacă de pe calculator.
Narațiune pentru video
Voce pentru tutoriale, prezentări și reclame, fără plată la caracter.
Aplicații care merg fără internet
Modelul se descarcă o dată, apoi vorbește direct pe dispozitiv.
09 · Limbi
31 de limbi, un singur model.
Nu există modele separate pe limbă. Româna e ajustată după ureche, cu reguli de scriere proprii; celelalte limbi merg cum au fost publicate. Toate pot fi încercate în demo.
Apasă pe o limbă ca să o alegi în demo.
10 · Limite
Ce nu face încă bine.
- Emoția. Vocea e clară, dar nu strigă și nu șoptește convingător. Lucrăm la stiluri pe emoții, alese din textul replicii.
- Vocile de copil. Le obținem modificând vocile de adult. Vocile înregistrate cu actori vor rezolva asta.
- Antrenarea pe română. Codul de antrenare al modelului de bază nu e public, așa că trebuie reconstruit. E riscul tehnic cel mai mare.
- Browserul. Fără placă video, sinteza în browser e prea lentă. Testăm pe cel puțin 8 laptopuri înainte să o mutăm acolo.
Ai nevoie de voce în produsul tău?
Pot integra Dubnow sau alt motor de voce într-o aplicație web, mobilă sau într-o extensie.