Kolokwa Pocket TTS

AfriSpeech выпустила открытую TTS-модель Kolokwa Pocket TTS для Kolokwa (либерийский английский/креольский, ISO 639-3: lir) и английского. Это 6-слойная FlowLM примерно на 110M параметров с кодеком Mimi и дистилляцией LSD.

🔥 Ключевые особенности

• 🤖 6-layer FlowLM (~110M параметров), кодек Mimi и Lagrangian Self Distillation.
• 🔥 Дистилляция от 24-слойного teacher с CFG 2.0 — качественный синтез за один forward pass на шаг.
• 🚀 2,4–2,8× реального времени на CPU, задержка стриминга меньше секунды; на CUDA заметно быстрее.
• 👀 Zero-shot клонирование голоса по чистому WAV на 3–6 секунд.
• 🗿 Обучение на 150 часах выровненной речи Kolokwa с английским replay-буфером.

👌 Пример

from pocket_tts import TTSModel
model = TTSModel.load_model(config="hf://AfriSpeech/kolokwa-tts/config.yaml")
voice = model.get_state_for_audio_prompt("hf://AfriSpeech/kolokwa-tts/voices/default.wav")
audio = model.generate_audio(model_state=voice, text_to_generate="Wetin we coming learn today?")
# audio — 24 kHz; сохраните через soundfile

Подробнее

Скорость: 2,4–2,8× реального времени на CPU; на CUDA быстрее, стриминг с задержкой меньше секунды.
Обучение: 150 ч выровненной речи Kolokwa + английский replay-буфер; языки — lir и en.
Лицензия CC-BY-NC 4.0: коммерческое использование не разрешено.