К содержимому
Аудио

CuteTTS.AXERA

потоковый синтез речи с клонированием голоса для NPU

2 мин чтения

Порт модели OPPOer/CuteTTS-distill (0.2B параметров) от автора HY-2012, квантованный и собранный для запуска на нейроускорителях (NPU) чипов AX650N и AX8850. Система решает задачу zero-shot клонирования тембра (копирование голоса по короткому образцу без дообучения) и выдаёт монофоническое аудио с частотой 24 кГц. В отличие от обычного построчного озвучивания, здесь реализован настоящий аудиопоток: генерация идёт непрерывно, выдавая пакеты звука каждые 160 мс. Подойдёт разработчикам встраиваемых систем, робототехники и офлайн-ассистентов на одноплатниках вроде M4N-Dock или M5Stack AI Pyramid.

Ключевые особенности

  • Настоящий стриминг без нарезки фраз: потоковый декодер vae_dec_stream хранит контекст свёрток в 18 явных тензорах состояния (0.46 МБ) и выдаёт фрагменты по 160 мс.
  • Полный инференс на NPU: модель разбита на подграфы .axmodel (на базе 7-слойного Qwen3, диффузионной головы и каузального VAE), при этом доступны готовый бинарник на C++ и SDK на чистом NumPy.
  • Низкая задержка первого пакета (TTFT): в потоковом режиме C++ первый звук появляется через 0.59–0.69 с, а при кэшировании эталонного голоса в Python — через 0.18 с.
  • Поддержка 5 языков: в метаданных заявлены английский, китайский, французский, немецкий и испанский языки (примеры в карточке приведены для английского и китайского).

Что можно сделать

  • Офлайн-голосовой ассистент: развернуть на платах M4N-Dock, AI Pyramid или с картой M.2 Accelerator Card, чтобы бот начинал отвечать голосом менее чем через секунду.
  • Персонализация интерфейса: кэшировать вектор диктора из 5-секундного WAV-файла и озвучивать диалоги фиксированным голосом с минимальной задержкой.
  • Тонкая настройка генерации: управлять силой следованию условию (--cfg), сидом и максимальной длительностью фрагмента (до 20.5 с за один запуск).

Пример

bash setup.sh

# Потоковый синтез на C++ (пакеты по 160 мс)
bash run_ax650.sh "The voice generated by this model sounds amazing!" samples/reference.wav out.wav --stream

# Запуск через Python SDK с настройкой CFG и сида
bash run_ax650.sh "Hello from AX650!" samples/reference.wav en.wav --python --cfg 2.0 --seed 42
ПодробнееСкорость (RTF, меньше 1 — быстрее реального времени): на фразе 10.2 с потоковый C++ даёт RTF 0.386 и TTFT 0.59 с, потоковый Python — RTF 0.479 и TTFT 0.80 с.
Качество стриминга: на ПК (fp32) побитово совпадает с офлайн-декодером (cos 1.0000000), после квантования на плате SNR составляет 11.3 дБ при идентичном распознавании слов.
Ограничения: длительность референсного аудио — не более 5 с, максимальная длина одной генерации — 20.5 с.
Лицензия: Apache-2.0 (с учётом лицензий исходных компонентов OPPO/Fudan, Qwen3 и DAC).
Обсудить Telegram 0

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.

    # HY-2012/CuteTTS.AXERA
    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 HY-2012/CuteTTS.AXERA --local-dir ~/models/CuteTTS.AXERA
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к CuteTTS.AXERA
  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 CuteTTS.AXERA — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

HY-2012/CuteTTS.AXERA
Автор
HY-2012
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

M5-TTS.AXERA

M5-TTS.AXERA