К содержимому
Аудио

FireRedTTS3-Instruct-HF

синтез, клонирование и редактирование речи в одном флаконе

2 мин чтенияобновлено

Чекпоинт мультизадачной нейросети от команды FireRedTeam для генерации и обработки речи (TTS — Text-to-Speech), подготовленный для быстрого развёртывания через фреймворк SGLang Omni. Модель объёмом 2.12B параметров основана на FireRedTTS3 (с использованием наработок Qwen3 и Qwen2-Audio) и выдаёт монофоническое аудио с частотой 24 кГц в формате WAV или потоковом PCM. В отличие от обычных синтезаторов, она не только озвучивает текст клонированным или придуманным голосом, но и умеет менять отдельные слова, скорость, высоту тона или громкость прямо в готовой записи. Пригодится разработчикам голосовых ботов, ассистентов и инструментов для дубляжа и постпродакшена звука.

Ключевые особенности

  • Клонирование голоса (zero-shot): воспроизводит тембр по одному короткому аудиореференсу и его текстовой расшифровке.
  • Дизайн голоса по описанию: создаёт новое звучание без образца — достаточно задать в инструкции возраст, пол, темп и интонацию.
  • Семантическое и акустическое редактирование: заменяет конкретные слова в исходной записи (Replace 'source' with 'target'.), а также меняет скорость, питч и громкость.
  • Поддержка 10 языков в API: работает с русским, английским, китайским, японским, корейским, немецким, французским, испанским, португальским и итальянским языками.
  • Потоковая передача: поддерживает стриминг сырого PCM-потока по HTTP (/v1/audio/speech) и через WebSocket.

Что можно сделать

  • Голосовой ассистент или бот: развернуть локальный OpenAI-совместимый API-сервер через sgl-omni serve для озвучки ответов в реальном времени с кастомным тембром.
  • Правка ошибок в озвучке: исправить оговорку или заменить название в уже записанной реплике длиной до 20 секунд без перезаписи диктора.
  • Озвучка персонажей без актёров: сгенерировать разные голоса для диалогов и аудиокниг, описывая характер и манеру речи текстом в поле instructions.

Пример

curl --fail-with-body -X POST http://localhost:8000/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "FireRedTTS3-Instruct",
    "input": "Привет, добро пожаловать в SGLang Omni.",
    "language": "Russian",
    "task_type": "VoiceDesign",
    "instructions": "Спокойный мужской голос, средний темп речи.",
    "seed": 42
  }' --output voice_design.wav
ПодробнееТребования к железу: Linux с видеокартой NVIDIA (CUDA) и Python 3.12; текущая конфигурация сервинга работает на одном GPU (tp_size=1).
Ограничения API: длина текста в HTTP-запросе input ограничена 400 символами, длительность исходного аудио для редактирования — до 20 секунд.
Язык нужно указывать явно (автоопределение Auto в стандартном API не поддерживается), а для инференса рекомендуется сохранять flow_mode: fp32.
Лицензия: открытая Apache-2.0 (клонирование голоса предназначено авторами для исследовательских целей).
Обсудить Telegram 1 38

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 7.9 GB · готовые файлы9.2 GB
  • BF16веса 3.9 GB4.8 GB
  • FP8 / INT8рекомендуемвеса 2.0 GB2.7 GB
  • 4-bitвеса 1.1 GB1.7 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 · F32 — от RTX 3080

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.

    # FireRedTeam/FireRedTTS3-Instruct-HF
    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 FireRedTeam/FireRedTTS3-Instruct-HF --local-dir ~/models/FireRedTTS3-Instruct-HF
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к FireRedTTS3-Instruct-HF
  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

FireRedTeam/FireRedTTS3

Новые посты про версии FireRedTTS3 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 8Все на Hugging Face

О модели

FireRedTeam/FireRedTTS3-Instruct-HF
Автор
FireRedTeam
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

381

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Fleet-2

Fleet-2