Skip to content
Other

Speed Speak TTS

архитектура и пайплайн для обучения MoE-синтеза речи на Tesla T4

2 min readupdated

Speed Speak TTS от разработчика Shrijanagain — это открытый проект и кодовая база для претрейна авторегрессионной TTS-модели (синтеза речи из текста) на одной видеокарте уровня Tesla T4 с 16 ГБ видеопамяти. Модель построена на архитектуре Decoder-only Transformer с блоками MoE (Mixture-of-Experts — смесь экспертов): при общем объёме около 1,006 млрд параметров на каждый токен активируется лишь ~109,6 млн, что снижает нагрузку на железо. На вход подаётся текст и идентификатор диктора или референсное аудио, а на выходе генерируются аудиотокены Meta EnCodec (24 кГц), которые декодируются в WAV-файл. Проект пригодится исследователям и разработчикам, которые хотят с нуля обучить базовую модель синтеза речи или протестировать клонирование голоса на доступных облачных GPU вроде Kaggle и Colab.

Ключевые особенности

  • Экономичная MoE-архитектура: 38 слоёв с 32 экспертами SwiGLU и маршрутизацией top-2 — ёмкость модели на уровне 1B при вычислительной стоимости ~100M активных параметров.
  • Работа с аудиотокенами EnCodec: предсказание 8 кодовых книг (24 кГц, 75 Гц) за один проход по схеме delay-pattern, аналогичной MusicGen.
  • Два режима кондиционирования диктора: выбор по встроенному ID (для датасетов вроде LibriTTS и VCTK) или zero-shot клонирование по референсному аудио через замороженный энкодер ECAPA-TDNN.
  • Оптимизация под 16 ГБ VRAM: поддержка fp16, gradient checkpointing и 8-битного оптимизатора AdamW (через bitsandbytes) удерживает потребление памяти при обучении в пределах 12–14 ГБ.

Что можно сделать

  • Запустить претрейн своей TTS-модели на T4: подготовить датасет (LibriTTS, Common Voice, Emilia или собственный манифест) и запустить обучение в Google Colab или Kaggle с микро-батчем 4.
  • Синтезировать речь и клонировать голос: генерировать озвучку из текста по готовому чекпоинту с настройкой силы стилизации через CFG (Classifier-Free Guidance) и передачей короткого образца голоса в --ref-audio.
  • Адаптировать под нужный язык: обучить собственный byte-level BPE-токенизатор на текстовом корпусе (по умолчанию поддерживается английский и хинди, но базовая байтовая кодировка работает с любыми символами).

Пример

python -m speedspeak.infer --text "Hello from Speed Speak." \
  --ref-audio ref.wav --out out.wav
ПодробнееПараметры: ~1,006B всего / ~109,6M активных (38 слоёв, d_model=512, 8 голов внимания).
Требования: ~12–14 ГБ VRAM (влезает в Tesla T4 16 ГБ при fp16 и 8-bit AdamW); есть smoke-тест на CPU.
Ограничения: это база для претрейна — для уровня коммерческих систем автор отмечает необходимость дообучения на 50k–200k часах аудио и перехода на более свежие кодеки (DAC, Mimi).
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.

    # Shrijanagain/speed-speak-tts
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    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 Shrijanagain/speed-speak-tts --local-dir ~/models/speed-speak-tts
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to speed-speak-tts
  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 speed-speak-tts (quants, finetunes, LoRAs) will show up under the bell.

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

About the model

Shrijanagain/speed-speak-tts
Author
Shrijanagain
Category
Other
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

Other

Eraser

Eraser