К содержимому
Аудио

nano-edge-tts-standalone

ультралегкий синтез речи на 3.27M параметров

2 мин чтенияобновлено

Модель представляет собой полностью пересобранную и дистиллированную версию популярной TTS-архитектуры Kokoro-82M. Весь текстовый блок и декодер были созданы заново, от оригинальной модели остались только фронтенд misaki (превращающий графемы в фонемы) и 28 голосовых векторов для английского языка. Благодаря миниатюрному размеру в 3.27M параметров (против 81.8M у базы) и отсутствию тяжелых сетей на аудиочастоте, модель выдает в 29 раз более высокую скорость работы на CPU и требует всего 0.60 GB VRAM/памяти. Решение отлично подойдет для встраивания в легкие локальные боты, приложения и сервисы, где критичны ресурсы железа.

Ключевые особенности

  • Миниатюрный вес: всего 3.27M параметров и 13 MB на диске против 327 MB у оригинала.
  • Высокая скорость: работает в 29 раз быстрее базовой модели на одном потоке CPU.
  • Низкое потребление памяти: пиковое потребление всего около 0.60 GB для всего пайплайна.
  • Знакомые голоса: поддерживает 28 стандартных британских и американских голосов от Kokoro (af_*, am_*, bf_*, bm_*).

Что можно сделать

  • Локальный TTS-сервис: развернуть быструю генерацию речи в легковесном боте или приложении без мощной видеокарты.
  • Интеграция в Python-скрипты: генерировать аудиодорожки на лету с помощью простого вызова функции и сохранения через soundfile.
  • Озвучка текстов на CPU: использовать для фонового синтеза английской речи на слабых устройствах или серверах.
  • Эксперименты с пайплайном: использовать открытый репозиторий с полным циклом обучения и чекпоинтами для изучения дистилляции аудиомоделей.

Пример

Быстрый запуск генерации речи с помощью Python:

import soundfile as sf
from nano_tts import load

tts = load()  # загрузка модели на CPU
audio = tts('Hello from a very small model.', voice='bm_george')
sf.write('hello.wav', audio, 24000)
Подробнее• Параметры: 3.27M (текстовая часть 1.52M, маппер 0.96M, рендерер 0.79M)
• Производительность: в 29 раз быстрее Kokoro-82M на одном CPU-потоке
• Потребление памяти: 0.60 GB пиковой памяти (вместо 1.78 GB у базы)
• Ограничения: только английский язык (28 голосов), качество звука сопоставимо с базовой Kokoro-82M
• Лицензия: Apache-2.0
Примеры
Обсудить Telegram 0 58

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.

    # drmhse/nano-edge-tts-standalone
    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 drmhse/nano-edge-tts-standalone --local-dir ~/models/nano-edge-tts-standalone
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к nano-edge-tts-standalone
  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

hexgrad/Kokoro-82M
  1. StyleTTS2-LJSpeechоснова семьи
  2. Kokoro-82M
  3. nano-edge-tts-standalone

Новые посты про версии StyleTTS2-LJSpeech — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

drmhse/nano-edge-tts-standalone
Автор
drmhse
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

580

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии