К содержимому
Аудио

fiato

крошечный синтезатор речи, который умеет вздыхать

2 мин чтенияобновлено

Компактная TTS-модель (преобразование текста в речь) для английского языка, которая весит всего 4,5 млн параметров и работает в 727 раз компактнее своего учителя Maya-1. Она синтезирует моно-аудио с частотой 24 кГц двумя голосами — женским (F1) и мужским (M1) — и понимает теги эмоций прямо в тексте. Вместо тяжёлого нейронного вокодера модель использует небольшой классический синтезатор, поэтому генерирует звук в 150 раз быстрее реального времени на обычном CPU ноутбука. Подойдёт разработчикам локальных офлайн-приложений, игр и веб-сервисов, которым нужна мгновенная озвучка без видеокарты и облака.

Ключевые особенности

  • Поддерживает три живые реакции прямо в тексте: вздох (), выдох () и резкий вдох от удивления ().
  • Основана на архитектуре tiny-voca: использует энкодер-трансформер и source-filter синтезатор (классический генератор импульсов и шума через акустический фильтр) без нейронного вокодера.
  • Поставляется с готовой версией для ONNX Runtime и умеет работать локально прямо во вкладке браузера без отправки текста на сервер.
  • Позволяет гибко настраивать скорость речи, сдвиг высоты тона (pitch) и его интонационный разброс.

Что можно сделать

  • Встроить в браузерное веб-приложение или расширение для мгновенной озвучки английского текста полностью на стороне клиента.
  • Озвучивать диалоги NPC в инди-играх или интерактивных новеллах на локальном железе, расставляя теги и для живости реплик.
  • Использовать как сверхбыстрый офлайн-синтезатор для голосовых ассистентов на устройствах без GPU.

Пример

python -m fiato.infer \
  --checkpoint fiato-model/fiato.pt \
  --voice F1 \
  --text "Well,  I guess we should start over." \
  --output hello.wav
ПодробнееОбучена методом дистилляции на 23,7 часах синтетической речи от модели Maya-1 (104 000 шагов на одной Nvidia L40S, бюджет всего $18.27).
WER (доля ошибок распознавания через Whisper small.en): 0.0% на валидации, 0.6% на тесте и 1.0% на новых предложениях.
Скорость: ~150x от реального времени на 4 потоках CPU Apple M3 Max.
Ограничения: только американский английский, два фиксированных голоса без клонирования, нет стриминга и смеха, иностранные имена могут читаться с ошибками. Лицензия Apache-2.0.
Примеры
Обсудить Telegram 7 216

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 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.

    # cfahlgren1/fiato
    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 cfahlgren1/fiato --local-dir ~/models/fiato
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к fiato
  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 fiato — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

cfahlgren1/fiato
Автор
cfahlgren1
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

2167

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Vaani-3 ASR

Vaani-3 ASR
Аудио

Jade 1.1

Jade 1.1