Kitten TTS 2 Mini
компактный синтез речи на 16 языков
2 min readupdated
Лёгкая модель для преобразования текста в речь (TTS) от команды KittenML, которая генерирует аудио с частотой дискретизации 24 kHz. При объёме всего в 82 миллиона параметров она умеет работать на обычном процессоре (CPU) через формат ONNX (открытый стандарт для быстрого запуска нейросетей) даже без установки PyTorch. В отличие от тяжёлых речевых моделей, эта версия занимает всего 82.7 МБ в int8-квантовании, но поддерживает 16 языков, включая русский, и предлагает 118 готовых голосов. Подойдёт разработчикам локальных ассистентов, ботов и приложений, которым нужна быстрая офлайн-озвучка без видеокарты.
Ключевые особенности
- Компактный размер: 82M параметров и всего 82.7 МБ для квантованной ONNX-версии (int8), также доступны полные веса float32 для PyTorch.
- Поддержка 16 языков: русский, английский, немецкий, французский, испанский, японский, корейский, турецкий, хинди, суахили и другие.
- Библиотека из 118 голосов с описанием характера (например, «спокойная медсестра» или «хриплый блюзовый музыкант»); для русского доступны 4 родных голоса (Anastasia, Natasha, Dmitri, Ivan) и 9 переносимых английских.
- Гибкое управление: выбор голоса по имени или описанию, настройка скорости речи через параметр
speedи загрузка только нужных весов под выбранный бэкенд.
Что можно сделать
- Встроить в голосового помощника или Telegram-бота для локальной озвучки ответов на CPU без трат на облачные API.
- Озвучивать многоязычные ролики, подкасты или диалоги персонажей, переключая 118 тембров и регулируя темп речи.
- Использовать в десктопных и мобильных приложениях, где критичен малый вес дистрибутива (меньше 100 МБ) и лицензия Apache-2.0.
Пример
from kittenml import KittenTTS
import soundfile as sf
m = KittenTTS("KittenML/kitten-tts-2-mini")
audio = m.generate("Привет! Это проверка синтеза речи.", voice="Anastasia", speed=1.1)
sf.write("out.wav", audio, 24000)
Подробнее
Архитектура и размер: 82M параметров, частота аудио 24 kHz.Форматы и железо: по умолчанию запускается int8 ONNX-граф (82.7 МБ) через ONNX Runtime на CPU без PyTorch; опционально поддерживается
backend="torch" (float32) на CPU или CUDA.Кросс-языковые голоса: 9 английских голосов (Eleanor, Martha, Serena, Iris, Grace, Edith, Diana, Otis, Vincent) также умеют говорить по-русски, по-немецки, по-испански, по-итальянски и по-португальски при явной передаче параметра
language="ru".Лицензия: Apache-2.0 (распространяется на веса, голосовые пакеты и встроенные G2P-файлы).










Comments