К содержимому
Аудио

Svar v0.1

Telugu TTS, собранный с нуля

1 мин чтенияобновлено

Svar v0.1 — экспериментальная модель синтеза речи для телугу от Nikhil. Это не обёртка над готовым TTS: autoregressive Transformer для текста и Diffusion Transformer для акустики обучены с нуля, общий размер — около 52M параметров. На выходе — WAV 24 kHz с мужским или женским нейтральным голосом.

Ключевые особенности

  • Поддержка только телугу; для чисел и дат их лучше заранее записать телугу-словами.
  • Два голоса на выбор: male и female.
  • Своя архитектура: T2S Transformer (~25M) плюс DiT (~27M), декодер — facebook/encodec_24khz.
  • Есть inference-скрипт и готовые веса: t2s.safetensors, dit.safetensors, токенизатор SentencePiece.
  • Это research-прототип: качество и произношение могут варьироваться, production-ready статуса нет.

Пример

python svar_inference.py \
    --model_dir "./models" \
    --speaker male \
    --text_file "text.txt" \
    --out "svar_output.wav"
ПодробнееПараметры: ~52M всего (T2S ~25M + DiT ~27M).
Обучение: 2 × NVIDIA T4, около 32 часов (~64 GPU-hours).
Оценка: только неформальное прослушивание, без MOS и бенчмарков.
Ограничения: только телугу, слабая поддержка чисел/дат, качество зависит от текста.
Лицензия весов: pending — перед коммерческим использованием нужно проверить статус.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # copycat1/svar-telugu-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 copycat1/svar-telugu-tts --local-dir ~/models/svar-telugu-tts
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к svar-telugu-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

Новые посты про версии svar-telugu-tts — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

copycat1/svar-telugu-tts
Автор
copycat1
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии