Симуляции и расчёты (обновлено)¶

Ключевые изменения

Zero-shot cloning (Fish Audio S1) радикально снижает стоимость обучения: с $6,353 до ~$0. Себестоимость генерации упала до $0.0016/мин. Основной расчёт — сколько клиентов нужно для устойчивости.

$0Стоимость обучения (zero-shot)

$0.0016Генерация 1 мин аудио

98.4%Gross margin

Сравнение: старый vs новый подход¶

Стоимость обучения модели¶

Подход	Стоимость	Время	Качество
Старый: Coqui TTS fine-tuning	$6,353	2–4 месяца	⭐⭐⭐⭐ (если данные хорошие)
Новый: Fish Audio S1 zero-shot	$0	2 часа	⭐⭐⭐⭐–⭐⭐⭐⭐⭐ (нужно тестировать)
Fallback: Fine-tuning на HuggingFace data	$500–1,500	1–2 недели	⭐⭐⭐⭐

Breakdown старой стоимости vs новой¶

Старый план: $6,353Новый план: ~$0Fallback: Fine-tuning на HuggingFace

Статья	Стоимость
Диктор (20 часов записи)	$600
Студия (5 дней)	$400
Sound engineer	$800
Транскрипция	$300
Data cleaning	$600
ML Engineer (80 часов)	$2,000
DevOps (20 часов)	$400
QA (40 часов)	$600
Product (20 часов)	$400
Прочее	$253
Итого	$6,353

Статья	Стоимость
Запись 30 сек–2 мин (свой голос)	$0
Fish Audio S1 mini (open-source)	$0
Электричество GPU (2 часа)	$0.07
Итого	~$0

Статья	Стоимость
Скачать kyrgyz-asr (58K записей)	$0
Data cleaning/preprocessing (20 часов)	$200
Fine-tuning (48 часов GPU)	$6 (электричество)
ML Engineer (40 часов)	$1,000
QA тестирование	$200
Итого	~$1,400

Себестоимость генерации¶

Fish Audio S1 mini на GPU 8GB¶

Длина текста	Время генерации	Аудио длина	Стоимость
50 символов	~1.5 сек	~8 сек	$0.0001
200 символов	~5 сек	~30 сек	$0.0005
500 символов	~12 сек	~1.5 мин	$0.0012
1000 символов	~22 сек	~3 мин	$0.0022

Расчёт:

gpu_power_watts = 220
electricity_kwh = 0.30  # $/kWh в КР

cost_per_second = (220 / 1000) * 0.30 / 3600  # = $0.0000183
cost_per_minute_audio = 12 * 0.0000183  # ≈ $0.00022

# + инфра (server amort, storage, bandwidth)
total_cost_per_minute = 0.00022 + 0.0014  # ≈ $0.0016

Маржинальность по тарифам¶

Тариф	Цена/1K символов	Себестоимость	Маржа	Маржа %
Starter ($5/мес)	$0.10	$0.0016	$0.098	98.4%
Pro ($15/мес)	$0.075	$0.0016	$0.073	97.8%
Business ($50/мес)	$0.05	$0.0016	$0.048	96.8%
Enterprise	$0.03–0.05	$0.0016	$0.028–0.048	93–97%

Break-even Analysis¶

Lean модель (OpEx $1,050/мес)¶

Fixed costs: $1,050/мес
Variable cost per user: ~$2/мес (support + infra allocation)
Average revenue per user: $10/мес

Break-even users = $1,050 / ($10 - $2) = 132 пользователя

С B2B (1 контракт $500/мес):
Break-even B2C users = ($1,050 - $500) / $8 = 69 пользователей

Full team модель (OpEx $4,950/мес)¶

Break-even users = $4,950 / ($10 - $2) = 619 пользователей

С B2B (3 контракта по $500/мес):
Break-even B2C users = ($4,950 - $1,500) / $8 = 431 пользователь

⚠️ 431–619 платящих пользователей в КР — НЕРЕАЛИСТИЧНО

Визуализация break-even¶

pie title "Lean модель: Break-even mix" "B2B контракты 60%" : 60 "B2C платящие 30%" : 30 "B2C free-to-paid upsell 10%" : 10

Сценарии нагрузки (обновлённые)¶

GPU 8GB — Fish Audio S1 mini¶

50 пользователей (MVP)500 пользователей (Growth)2,000 пользователей (Scale)

Метрика	Значение	Статус
Запросов/час (peak)	~25	✅ OK
GPU utilization	10–15%	✅ OK
Queue time	<1 сек	✅ OK
Concurrent	2–3	✅ OK

Метрика	Значение	Статус
Запросов/час (peak)	~250	⚠️ High
GPU utilization	50–70%	⚠️ Monitor
Queue time	3–8 сек	⚠️ Acceptable
Concurrent	10–15	⚠️ Near limit

Метрика	Значение	Статус
Запросов/час (peak)	~1,000	❌ Overload
GPU utilization	200%+	❌ Need scaling
Решение	Cloud GPU overflow	+$300–600/мес

Monte Carlo симуляция: вероятность успеха¶

Параметры¶

import numpy as np

n_simulations = 10000
results = []

for _ in range(n_simulations):
    # Рандомизируем ключевые параметры
    b2c_users_month6 = np.random.triangular(20, 80, 300)
    b2b_contracts_month6 = np.random.choice([0, 1, 2, 3, 4], p=[0.15, 0.30, 0.30, 0.15, 0.10])
    arpu_b2c = np.random.triangular(5, 8, 15)
    acv_b2b = np.random.triangular(200, 500, 1500)
    churn_monthly = np.random.triangular(0.10, 0.15, 0.25)

    # Расчёт MRR на месяц 6
    mrr_b2c = b2c_users_month6 * arpu_b2c * (1 - churn_monthly)
    mrr_b2b = b2b_contracts_month6 * acv_b2b
    total_mrr = mrr_b2c + mrr_b2b

    # Прибыльность (lean модель)
    profit = total_mrr - 1050  # OpEx lean
    results.append(profit > 0)

success_rate = sum(results) / n_simulations
# Результат: ~55-65% вероятность прибыльности на месяц 6 (lean модель)

Результаты симуляции¶

Метрика	Lean модель	Full team
Вероятность прибыльности (мес 6)	55–65%	15–25%
Медианный MRR (мес 6)	$1,800	$1,800
Медианная прибыль (мес 6)	+$750/мес	-$3,150/мес
P90 (лучший случай) MRR	$5,000	$5,000
P10 (худший случай) MRR	$300	$300

Вывод

Lean модель ($1,050/мес OpEx): 55–65% шанс прибыльности к месяцу 6. Full team ($4,950/мес OpEx): Только 15–25% шанс. Не рекомендуется без подтверждённого спроса.

Sensitivity Analysis¶

Что больше всего влияет на результат¶

Параметр	Влияние на NPV	Диапазон
Количество B2B контрактов	🔴 Критическое	0–5 контрактов
ACV B2B	🔴 Высокое	$200–1,500/мес
B2C платящие	🟡 Среднее	50–300
ARPU B2C	🟡 Среднее	$5–15
Churn	🟡 Среднее	10–25%
OpEx	🟢 Управляемое	$1,050–4,950

Главный рычаг: B2B контракты. Каждый контракт на $500/мес = 63 B2C клиента по $8.

Операционные метрики для мониторинга¶

Dashboard (запустить после MVP)¶

Метрика	Green	Yellow	Red
GPU utilization	<50%	50–80%	>80%
Response time (p95)	<5 сек	5–15 сек	>15 сек
Error rate	<1%	1–3%	>3%
Paying users	Растёт >10%/мес	Стабильно	Падает
MRR	> OpEx	50–100% OpEx	<50% OpEx
B2B pipeline	>3 active leads	1–3 leads	0 leads