Skip to content
Audio

CuteTTS.AXERA

потоковый синтез речи с клонированием голоса для NPU

2 min read

Порт модели OPPOer/CuteTTS-distill (0.2B параметров) от автора HY-2012, квантованный и собранный для запуска на нейроускорителях (NPU) чипов AX650N и AX8850. Система решает задачу zero-shot клонирования тембра (копирование голоса по короткому образцу без дообучения) и выдаёт монофоническое аудио с частотой 24 кГц. В отличие от обычного построчного озвучивания, здесь реализован настоящий аудиопоток: генерация идёт непрерывно, выдавая пакеты звука каждые 160 мс. Подойдёт разработчикам встраиваемых систем, робототехники и офлайн-ассистентов на одноплатниках вроде M4N-Dock или M5Stack AI Pyramid.

Ключевые особенности

  • Настоящий стриминг без нарезки фраз: потоковый декодер vae_dec_stream хранит контекст свёрток в 18 явных тензорах состояния (0.46 МБ) и выдаёт фрагменты по 160 мс.
  • Полный инференс на NPU: модель разбита на подграфы .axmodel (на базе 7-слойного Qwen3, диффузионной головы и каузального VAE), при этом доступны готовый бинарник на C++ и SDK на чистом NumPy.
  • Низкая задержка первого пакета (TTFT): в потоковом режиме C++ первый звук появляется через 0.59–0.69 с, а при кэшировании эталонного голоса в Python — через 0.18 с.
  • Поддержка 5 языков: в метаданных заявлены английский, китайский, французский, немецкий и испанский языки (примеры в карточке приведены для английского и китайского).

Что можно сделать

  • Офлайн-голосовой ассистент: развернуть на платах M4N-Dock, AI Pyramid или с картой M.2 Accelerator Card, чтобы бот начинал отвечать голосом менее чем через секунду.
  • Персонализация интерфейса: кэшировать вектор диктора из 5-секундного WAV-файла и озвучивать диалоги фиксированным голосом с минимальной задержкой.
  • Тонкая настройка генерации: управлять силой следованию условию (--cfg), сидом и максимальной длительностью фрагмента (до 20.5 с за один запуск).

Пример

bash setup.sh

# Потоковый синтез на C++ (пакеты по 160 мс)
bash run_ax650.sh "The voice generated by this model sounds amazing!" samples/reference.wav out.wav --stream

# Запуск через Python SDK с настройкой CFG и сида
bash run_ax650.sh "Hello from AX650!" samples/reference.wav en.wav --python --cfg 2.0 --seed 42
ПодробнееСкорость (RTF, меньше 1 — быстрее реального времени): на фразе 10.2 с потоковый C++ даёт RTF 0.386 и TTFT 0.59 с, потоковый Python — RTF 0.479 и TTFT 0.80 с.
Качество стриминга: на ПК (fp32) побитово совпадает с офлайн-декодером (cos 1.0000000), после квантования на плате SNR составляет 11.3 дБ при идентичном распознавании слов.
Ограничения: длительность референсного аудио — не более 5 с, максимальная длина одной генерации — 20.5 с.
Лицензия: Apache-2.0 (с учётом лицензий исходных компонентов OPPO/Fudan, Qwen3 и DAC).
Discuss Telegram 0

Will it run?

Working out the memory needs

The bot is still collecting this model's weight sizes; the estimate will appear here in a few minutes. Meanwhile you can rent a GPU with headroom.

Massed ComputeOpen Massed Compute

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # HY-2012/CuteTTS.AXERA
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download HY-2012/CuteTTS.AXERA --local-dir ~/models/CuteTTS.AXERA
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to CuteTTS.AXERA
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of CuteTTS.AXERA (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

HY-2012/CuteTTS.AXERA
Author
HY-2012
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments