Murivo-TTS Octa 21M
лёгкий офлайн-синтез речи на 8 африканских языках
2 min readupdated
Murivo-TTS Octa — сверхкомпактная TTS-модель (синтез речи из текста) от разработчика samuelolubukun, работающая полностью офлайн на восьми языках Африки: суахили, хауса, йоруба, игбо, луганда, фула, луо и чви. На выходе получается студийное аудио с частотой дискретизации 48 кГц. В основе лежит 8-слойный Flow-Matching DiT (диффузионный трансформер) на 20,9M параметров, дообученный с английского чекпоинта murivo-tts-21m-english в связке с нейровокодером VoxCPM2 AudioVAE. Модель пригодится разработчикам мобильных и edge-приложений, которым нужна быстрая локальная озвучка для африканских регионов без подключения к облаку.
Ключевые особенности
- Высокая скорость: на стандартных GPU синтез идёт в 12,9–20,6 раза быстрее реального времени.
- Компактный размер: основная версия в FP16 весит около 40 МБ, а квантованная в INT8 ONNX-версия для мобильных устройств — всего 15,5 МБ.
- Чистое звучание 48 кГц: для декодирования аудио используется вокодер VoxCPM2 Causal AudioVAE с предварительной очисткой обучающих данных через DeepFilterNet 3.
- Разделение тембров: стратифицированное обучение с отдельными слотами спикеров и языков (
spk=0..9) предотвращает смешивание акцентов между тональными и нетональными языками.
Что можно сделать
- Офлайн-озвучка в мобильных приложениях: встроить 15,5-мегабайтную модель
murivo_tts_octa_int8.onnxчерез ONNX Runtime в Android/iOS-приложения, C++ или Rust-сервисы. - Локализация образовательных и голосовых сервисов: озвучивать тексты на суахили, хауса, йоруба и ещё пяти языках с настройкой скорости речи и числа шагов генерации.
Пример
from infer import MurivoSynthesizer
import soundfile as sf
synth = MurivoSynthesizer(language="swahili", device="cuda")
audio = synth.synthesize(text="Kila siku mpya inatupa fursa ya kujifunza kitu kizuri.", steps=24, speed=1.0)
sf.write("output_swahili.wav", audio, 48000)
Подробнее
Точность фонем (100 - CER) по оценке Meta MMS-1B-all на тестах FLEURS и WaxalNLP: 95,1% на суахили, 92,8% на луо, 89,2% на фула (обходит эталонную запись человека по точности слов — 58,5% против 54,6%), 81,0% без учёта тоновых диакритик на йоруба.При первом запуске скрипт
infer.py автоматически скачает веса вокодера audiovae.pth из репозитория openbmb/VoxCPM2.Лицензия: Apache 2.0.










Comments