К содержимому
Аудио

KurisuMakiseTTS

голос Макисэ Курису на GPT-SoVITS v5

1 мин чтенияобновлено

Фанатский TTS-файнтюн от FishelKET на базе GPT-SoVITS v5dev и v5turbo. Японский — основной язык, китайский — кросс-языковой; выход 48 kHz. Обучен на 972 фрагментах (67,8 мин), для обучения отобрано 754 фрагмента (60,7 мин).

Ключевые особенности

  • Два варианта: v5dev — лучше качество; v5turbo — быстрее, но чуть уступает из-за 4-шаговой дистилляции.
  • SoVITS LoRA rank 32 + полный файнтюн GPT; обе версии используют общий GPT-чекпоинт.
  • GPU RTF: ~1.08 у dev и ~0.74–0.82 у turbo.
  • CPU RTF: ~32 у dev (практически непригодно) и ~3.2 у turbo; 4-секундная фраза — ~131 с против ~12 с.
  • Нужна референсная аудиозапись 5–10 секунд: она задаёт в основном интонацию, а не сходство голоса.

Пример

curl http://127.0.0.1:9880/tts -H "Content-Type: application/json" -d '{
  "text": "早上好,我是牧濑红莉栖。",
  "text_lang": "zh",
  "ref_audio_path": "ref_audio/ref1.wav",
  "prompt_text": "あなたに会いに来たの、岡部凛太郎さん。じゃなくて…",
  "prompt_lang": "ja",
  "media_type": "wav"
}' -o out.wav
ПодробнееВеса — Apache-2.0, но права на персонажа и голос принадлежат 5pb. / MAGES. / Nitroplus и актрисе озвучивания; для коммерческого использования голоса и персонажа нужно отдельное разрешение.
Обучение: SoVITS 12 эпох LoRA(r32) + GPT 15 эпох, около 8 и 6 минут на RTX PRO 6000.
Ограничение: около 73% обучающих данных — рациональная речь, эмоциональных образцов меньше.
Обсудить Telegram 2

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.4 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.9 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.

Это LoRA: вместе с базовой моделью GPT-SoVITS.

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.

    # FishelKET/KurisuMakiseTTS
    # ===== 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 lj1995/GPT-SoVITS --local-dir ~/models/GPT-SoVITS
    hf download FishelKET/KurisuMakiseTTS --local-dir ~/models/KurisuMakiseTTS
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к GPT-SoVITS
  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

Нужна базовая модель

lj1995/GPT-SoVITS

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии GPT-SoVITS — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 5Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

FishelKET/KurisuMakiseTTS
Автор
FishelKET
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

02

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии