К содержимому
Аудио

tiny-voca Kiswahili

легкий офлайн-синтезатор речи на суахили

2 мин чтенияобновлено

Модель представляет собой компактный инструмент синтеза речи (TTS) на суахили размером всего 4.54 миллиона параметров, предназначенный для работы прямо на слабых мобильных устройствах вроде Android-смартфонов без подключения к облаку. Основанная на архитектуре tiny-voca (source-filter вокодер с блоком длительности), модель экспортирована в формат ONNX и занимает около 21.4 МБ. Она позволяет генерировать качественную речь на суахили с поддержкой семи фиксированных голосов. Решение отлично подойдет разработчикам мобильных приложений и систем чтения с экрана, которым требуется полностью автономный голосовой движок с минимальным потреблением оперативной памяти.

Ключевые особенности

  • Оптимизация под мобильные устройства: стабильная работа на бюджетных смартфонах на базе Android с минимальным потреблением RAM (71–75 МБ).
  • Высокая скорость работы: синтез речи на CPU со скоростью обработки (RTF) в пределах 0.16–0.21.
  • Точное выравнивание длительности: модель выдает длительности фонем прямо в процессе генерации, что позволяет легко организовывать синхронную подсветку текста.
  • Компактный размер: весит всего 21.4 МБ в формате ONNX и работает без использования тяжелых облачных серверов.

Что можно сделать

  • Интеграция в мобильные приложения: встроить офлайн-озвучку текста в локальные приложения и ридеры для пользователей, говорящих на суахили.
  • Создание систем с подсветкой текста: реализовать интерактивное чтение конституции или учебных материалов с визуальным выделением произносимых слов в реальном времени.
  • Автономные голосовые боты: развернуть легкую систему генерации аудио на недорогих серверных CPU или локальных устройствах без GPU.

Пример

Пример запуска инференса модели с помощью библиотеки ONNX Runtime в Python:

import numpy as np, onnxruntime as ort
sess = ort.InferenceSession("swahili.onnx", providers=["CPUExecutionProvider"])
audio, durations = sess.run(None, {
    "tokens": np.array([tokens], dtype=np.int64),
    "stress": np.array([stress], dtype=np.int64),
    "voice": np.array([0], dtype=np.int64),
    "speed": np.array([1.0], dtype=np.float32),
    "pitch_shift": np.array([0.0], dtype=np.float32),
    "pitch_range": np.array([1.0], dtype=np.float32),
})
ПодробнееАрхитектура: source-filter вокодер с блоком длительности, 4 слота энкодера
Параметры и размер: 4.54М параметров, 21.4 МБ (ONNX, fp32)
Частота дискретизации: 24 кГц
Ограничения: до 512 токенов и 32 секунд аудио за один вызов, числительные и аббревиатуры требуют предварительной текстовой расшифровки
Лицензия: CC-BY-SA-4.0 (веса и датасет WAXAL)
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # adoamesh/tiny-voca-swahili
    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 adoamesh/tiny-voca-swahili --local-dir ~/models/tiny-voca-swahili
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-voca-swahili
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии tiny-voca-swahili — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

adoamesh/tiny-voca-swahili
Автор
adoamesh
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии