К содержимому
Другое

TTS-models

офлайн-синтез речи на вонту и хакка

2 мин чтенияобновлено

Репозиторий hkilang/TTS-models содержит ONNX-модели для чтения вслух на гонконгском вонту и хакка. В офлайн-режиме приложение использует их для генерации аудио прямо внутри устройства. Доступны четыре голоса: мужской и женский для каждого из двух языков.

Ключевые особенности

  • BERT-free VITS2, ONNX opset 17 и float32; один граф включает duration prediction, alignment и waveform generation.
  • Четыре голоса: waitau male/female и hakka male/female; для каждого нужны model.onnx и model.data.
  • Выход — 44,1 кГц; batch size фиксирован на 1, длина токенов и длительность динамические.
  • Входы: phone IDs, длины, speaker ID, tone, language, speed 0.5–2, noise 0.8 и noise_w 0.6.
  • Загрузка в браузере через ONNX Runtime Web 1.30.0 JSPI; JSPI не материализует весь файл весов в JS при инициализации, но память под веса и активации всё равно занята.
  • manifest.json хранит checksums, ABI и таблицы символов; validation.json для инференса не нужен.

Пример

Экспорт четырёх голосов из исходников TTS-API:

python -m pip install -r requirements-export.txt
python export_models.py --source /path/to/TTS-API --output /path/to/output
ПодробнееВалидация включает проверки ONNX-графа и parity при 1/2/10 слогах и скоростях 0.5/1/2; max abs error 1e-3, RMSE 1e-4.
Экспорт проверен на Python 3.13, PyTorch 2.9.0, NumPy 2.2.0, ONNX 1.20.1 и ONNX Runtime 1.23.2.
Карточка не подтверждает качество на слух и требования к памяти на мобильных; VRAM не указана.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

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

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

О модели

hkilang/TTS-models
Автор
hkilang
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GainNet

GainNet