К содержимому
Аудио

VoxPocket-v5

компактный кхмерский TTS с клонированием голоса

1 мин чтенияобновлено

VoxPocket-v5 — TTS-модель на 0,89B параметров для кхмерского языка, построенная на VoxCPM 1.5. Она читает кхмерский, кхмерский с английскими словами и простой английский, умеет клонировать голос по короткому фрагменту и принимать стиль или описание голоса. Аудио — 44,1 кГц.

Ключевые особенности

  • Клонирование голоса по чистому клипу 4–9 с и точной расшифровке сказанного.
  • Стили в скобках: шёпот, злость, радость, удивление, грусть и другие.
  • Можно задать голос описанием, без референсного аудио.
  • По бенчмарку автора читает кхмерский лучше VoxCPM2 (2,38B), хотя сама меньше.
  • Поддержка кхмерского, кхмерского с английскими словами и простого английского.

Пример

from voxcpm.core import VoxCPM
import soundfile as sf

m = VoxCPM.from_pretrained(hf_model_id="INGMUYLEANG/VoxPocket-v5", load_denoiser=False)
wav = m.generate(text="(A young woman, clear and bright voice, cheerful tone)សួស្តីបងប្អូនទាំងអស់គ្នា។")
sf.write("out.wav", wav, m.tts_model.sample_rate)
ПодробнееМедианная ошибка букв: 4,3% на 40 отложенных фразах; у VoxCPM2 — 4,8%.
На RTX 5090: 3,6× реального времени, пик VRAM 3,8/6,3 ГБ для короткого/длинного текста, 173 Вт.
Ограничения: длинный текст лучше делить на предложения; английский базовый; стили на клонированном голосе меняют тон слабее; не использовать для имитации реальных людей.
Примеры
Обсудить Telegram 1 25

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 3.0 GB · готовые файлы3.8 GB
  • BF16веса 1.5 GB2.1 GB
  • FP8 / INT8рекомендуемвеса 0.7 GB1.3 GB
  • 4-bitвеса 0.4 GB1.0 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 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.

    # INGMUYLEANG/VoxPocket-v5
    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 INGMUYLEANG/VoxPocket-v5 --local-dir ~/models/VoxPocket-v5
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к VoxPocket-v5
  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

openbmb/VoxCPM1.5
  1. MiniCPM4-0.5Bоснова семьи
  2. VoxCPM1.5
  3. VoxPocket-v5

Новые посты про версии MiniCPM4-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

INGMUYLEANG/VoxPocket-v5
Автор
INGMUYLEANG
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

251

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии