К содержимому
Аудио

Jade 1.1

компактный TTS для запуска прямо на смартфоне

2 мин чтенияобновлено

Jade 1.1 — компактная мультиязычная TTS-модель (синтез речи из текста) от команды ETM-Network, рассчитанная на локальную работу на устройствах без мощного железа. Модель преобразует обычный текст напрямую в аудио с частотой 44.1 кГц без отдельного фонемайзера и поддерживает 23 языка, включая русский, а также 9 голосов на выбор. В основе лежит 12-блочный диффузионный трансформер (84M параметров), генерирующий латентные представления для декодера Supertonic 3 (25M параметров), всего — 109M параметров. В отличие от тяжёлых облачных решений, базовый квантованный вариант весит около 150 МБ и работает в 4 раза быстрее реального времени даже на процессоре смартфона среднего класса. Пригодится разработчикам мобильных приложений, оффлайн-ботов и голосовых интерфейсов.

Ключевые особенности

  • Поддерживает 23 языка (в том числе русский) и 9 голосов (5 женских и 4 мужских), каждый из которых говорит на любом из доступных языков.
  • Выпущена в форматах ONNX и MLX с квантованием q8 (150 МБ), q4 (81 МБ) и q3 (65 МБ), а также в исходном float32 (437 МБ).
  • Работает в ~4× быстрее реального времени на мобильном CPU Snapdragon 778G+, в ~7× на десктопном Intel i9-13900KF и до ~250× на RTX 4090.
  • Дистиллирована для генерации за малое число шагов (от 2 до 32, по умолчанию 12), что позволяет гибко балансировать между скоростью и стабильностью интонации.

Что можно сделать

  • Встроить оффлайн-озвучку текста и функции доступности в Android-приложения или локальные сервисы без отправки данных в облако.
  • Озвучивать длинные статьи и аудиокниги в нейтральной дикторской манере, используя вариант q8 на 12–16 шагах.
  • Развернуть быстрый голосовой ответчик или прототип ассистента на Mac с чипами Apple Silicon через библиотеку MLX.

Пример

from etm_tts import TTS

tts = TTS()  # скачивает onnx/quants/q8 (~150 МБ)
tts.speak("Hello! It's nice to finally meet you.").save("hello.wav")
tts.speak("Guten Morgen, wie geht es dir?", voice="Henry", lang="de").save("morgen.wav")
Подробнее На тестовом наборе из 181 фразы (по 8 на язык) модель показала Character Error Rate 1.1% при распознавании через Whisper и сходство с целевым голосом 0.818 (WavLM) в режиме по умолчанию (q8, 12 шагов).
Требует ONNX Runtime 1.28+ (для CUDA нужен onnxruntime-gpu) или etm-tts[mlx] на Apple Silicon; есть отдельная библиотека для Android.
Ограничения: язык нужно передавать вручную; числа, даты и сокращения читаются только на английском и немецком (для русского и остальных языков числительные нужно писать словами); нет управления эмоциями; на малом числе шагов (q4/q3) в длинных текстах возможны редкие скачки высоты тона.
Лицензия: BigScience OpenRAIL-M (код рантайма etm-tts — Apache 2.0).
Примеры
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # ETM-Network/jade-1.1
    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 ETM-Network/jade-1.1 --local-dir ~/models/jade-1.1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к jade-1.1
  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 jade-1.1 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ETM-Network/jade-1.1
Автор
ETM-Network
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

fiato

fiato
Аудио

Vaani-3 ASR

Vaani-3 ASR