К содержимому
Аудио

Pocket-TTS FastDec 7M

быстрый декодер для TTS на слабом CPU

2 мин чтенияобновлено

Это не полноценная TTS-модель, а заменяемый декодер для Kyutai Pocket-TTS: 2.05 млн параметров, 8.2 МБ fp32. Он заменяет Mimi-декодер в английской модели english_7m_refl_2026-10, чтобы синтез шёл в реальном времени на Raspberry Pi Zero W. Языковая модель, flow head, токенизатор, голоса и Mimi-энкодер остаются от Kyutai.

Ключевые особенности

  • Стоковый Mimi-декодер заменён на причинно-свёрточный: 5 residual-слоёв на 12.5 Гц и облегчённый SEANet с каналами 128/64/32/16.
  • На Raspberry Pi Zero W 7M-вариант обрабатывает 4.8 с аудио за 4.7 с на GPU VC4 или 5.8 с на CPU — примерно реальное время.
  • Голоса и клонирование сохраняются: Mimi-энкодер и voice embeddings не меняются, можно брать голоса из каталога Pocket-TTS или свой wav.
  • Вес декодера — 2.05 млн параметров, 8.2 МБ fp32; одни и те же веса подходят для английских моделей refl_2026-10 размера 2M, 7M и 18M.
  • Стриминг строго причинный: чанковое декодирование даёт то же аудио, что и разовое, с максимальной разницей 3e-6.

Пример

from pocket_tts_fastdec import load_model

tts = load_model('7m')
state = tts.get_state_for_audio_prompt('alba')
audio = tts.generate_audio(state, 'Hello world, this is a distilled decoder speaking.')
# audio — torch tensor, 24 kHz
ПодробнееUTMOS22 на 12 Harvard sentences, голос alba: 4.40 у стокового декодера → 4.23 у FastDec; в среднем по шести голосам падение около 0.25 UTMOS.
WER (Whisper base.en) — в пределах шума относительно стокового варианта.
Нужны PyTorch ≥ 2.5, pocket-tts ≥ 4.0.1 и gated-веса kyutai/pocket-tts; репозиторий содержит только новый декодер.
Ограничения: только английский, качество ниже стокового, обучено и протестировано только с refl_2026-10.
Обсудить Telegram 0 24

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # fdemelo/pocket-tts-fastdec-7m
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 fdemelo/pocket-tts-fastdec-7m --local-dir ~/models/pocket-tts-fastdec-7m
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pocket-tts-fastdec-7m
  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 pocket-tts-fastdec-7m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

fdemelo/pocket-tts-fastdec-7m
Автор
fdemelo
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии