К содержимому
Аудио

Pocket TTS language deltas

мультиязычные дельта-пакеты для движка синтеза речи

2 мин чтенияобновлено

Репозиторий содержит языковые дельты (небольшие изменения весов относительно базовой модели) для движка Kyutai Pocket TTS, используемые в Frankenstein v2 engine проекта mynah-s2s. Каждое обновление представляет собой дельту для английской базовой модели в двух вариантах архитектуры (24-слойной и 6-слойной). Разработка позволяет адаптировать компактный синтез речи (text-to-speech) под разные языки, включая русский, французский, немецкий, испанский и другие. Набор пригодится разработчикам голосовых ассистентов и локальных систем распознавания и генерации речи.

Ключевые особенности

  • Поддержка множества языков, включая русский, немецкий, французский, японский и турецкий.
  • Наличие вариантов с разной точностью квантования: int4, int8 и bf16.
  • Поддержка двух архитектурных семейств моделей: 24-слойной (24l) и 6-слойной (6l).
  • Интеграция с движком Frankenstein v2 проекта mynah-s2s.

Что можно сделать

  • Интегрировать языковые пакеты в проекты на базе движка Pocket TTS для озвучки текста на русском или других языках.
  • Подогнать точность и размер модели под доступные ресурсы с помощью форматов int4 или int8.
  • Протестировать работу многоязычных сессий с использованием базовых весов Kyutai Pocket TTS.

Пример

Пример использования структуры пакетов и манифестов описан в документации репозитория mynah-s2s и Frankenstein v2 engine, подключающих языковые json-файлы и дельты весов для выбранного языка.

ПодробнееРазмер моделей: от 67.1 MB (int4, 6l) до 660.4 MB (bf16, 24l)
Бэкенд: Kyutai Pocket TTS (требуется принятие условий базовой модели)
Лицензия: CC-BY-4.0, CC-BY-SA-4.0 или MIT в зависимости от пакета
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.6 GB · готовые файлы1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 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 · 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.

    # gabrione/pocket-tts-deltas
    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 gabrione/pocket-tts-deltas --local-dir ~/models/pocket-tts-deltas
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pocket-tts-deltas
  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-deltas — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

gabrione/pocket-tts-deltas
Автор
gabrione
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии