К содержимому
Аудио

Chatterbox-Persian-TTS

персидский TTS без G2P

2 мин чтенияобновлено

Модель представляет собой полный فاین‌تیو (полноценное дообучение) архитектуры Chatterbox Multilingual на большой базе персидской речи объемом 417 часов. На вход подается обычный сырой персидский текст без необходимости предварительной фонемной разбивки или использования G2P (системы преобразования текста в фонемы). Продукт предназначен для разработчиков и исследователей, которым требуется качественный синтез персидской речи с поддержкой клонирования голоса по короткому образцу.

Ключевые особенности

  • Полное дообучение (Full fine-tune) базовой модели на 417 часах персидской речи (около 109 тысяч аудиоклипов).
  • Поддержка обработки сырого персидского текста напрямую без использования внешних модулей G2P.
  • Наличие встроенной поддержки клонирования голоса (voice cloning) по чистому аудиофайлу длиной 5–10 секунд.
  • Стабильные параметры генерации с пониженной температурой для уменьшения артефактов.

Что можно сделать

  • Сгенерировать качественную персидскую речь из текста в готовом блокноте Google Colab.
  • Создать голосового помощника или бота для озвучки текстов на персидском языке.
  • Использовать инструмент клонирования голоса для переноса тембра на основе короткой аудиозаписи-референса.

Пример

import torch
from chatterbox.mtl_tts import ChatterboxMultilingualTTS, punc_norm
from safetensors.torch import load_file

model = ChatterboxMultilingualTTS.from_pretrained(device="cuda")
sd = load_file("t3_persian_v1.safetensors")
model.t3.load_state_dict(
    {k[3:] if k.startswith("t3.") else k: v for k, v in sd.items()},
    strict=False,
)
model.t3.to("cuda").eval()

wav = model.generate(
    punc_norm("سلام، امروز هوا خوب است."),
    language_id=None,
    audio_prompt_path="ref.wav",
    temperature=0.6,
    repetition_penalty=1.5,
)
ПодробнееБенчмарки (CER): на естественных текстах CER составляет 0.01–0.09, на сложных тестах со знаками и числами — 0.038–0.062.
Частота дискретизации на выходе: 16 kHz.
Лицензия: MIT.
Ограничения: возможны редкие галлюцинации и повторения, требующие повторного запуска генерации.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.0 GB · готовые файлы2.7 GB
  • FP8 / INT8рекомендуемвеса 1.0 GB1.6 GB
  • 4-bitвеса 0.6 GB1.1 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.

    # amirzandi/Chatterbox-Persian-TTS
    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 amirzandi/Chatterbox-Persian-TTS --local-dir ~/models/Chatterbox-Persian-TTS
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Chatterbox-Persian-TTS
  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

Дообучение модели

ResembleAI/chatterbox

Новые посты про версии chatterbox — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

amirzandi/Chatterbox-Persian-TTS
Автор
amirzandi
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

AksharaVP-17M

AksharaVP-17M
Аудио

ORB planner

ORB planner